基于自顶向下上下文的自监督端到端无监督显著性检测
计算机视觉与模式识别
2023-10-17 v1
摘要
无监督显著性目标检测旨在不使用监督信号的情况下检测显著物体，从而免去人工标注显著物体的繁琐任务。为提高训练效率，针对 USOD 的端到端方法作为一种有前景的替代方案被提出。然而，现有方案严重依赖含噪的手工标签，且未能从深层特征中挖掘丰富的语义信息。本文提出一种通过自顶向下上下文实现的自监督端到端显著性目标检测框架。具体而言，受对比学习启发，我们利用最深特征的自定位构建位置图，并借此学习最具指导性的分割引导。进一步考虑到最深特征缺乏细节信息，我们采用细节增强精炼模块以细节丰富位置标签。此外，我们观察到由于缺乏监督，当前无监督显著性模型倾向于检测在对应场景其他样本中具有显著性的非显著物体。为解决这一普遍问题，我们设计了一种新颖的无监督非显著抑制（UNSS）方法，使其具备忽略非显著物体的能力。在基准数据集上的大量实验表明，我们的方法在近期端到端方法与多数多阶段方案中均取得领先性能。代码已公开。
引用
@article{arxiv.2310.09533,
title = {Towards End-to-End Unsupervised Saliency Detection with Self-Supervised Top-Down Context},
author = {Yicheng Song and Shuyong Gao and Haozhe Xing and Yiting Cheng and Yan Wang and Wenqiang Zhang},
journal= {arXiv preprint arXiv:2310.09533},
year = {2023}
}
备注
accepted by ACM MM 2023