UC-Net：基于条件变分自编码器的不确定性启发RGB-D显著性检测
计算机视觉与模式识别
2020-04-14 v1
摘要
本文提出首个利用不确定性进行RGB-D显著性检测的框架(UCNet)，通过从数据标注过程中学习实现。现有RGB-D显著性检测方法将显著性检测任务视为点估计问题，并遵循确定性学习流程产生单一显著性图。受显著性数据标注过程启发，我们提出通过条件变分自编码器建模人类标注不确定性并通过对潜空间采样为每幅输入图像生成多张显著性图的概率化RGB-D显著性检测网络。借助所提显著性共识过程，我们能够根据这些多次预测生成准确的显著性图。在六个具挑战性的基准数据集上对比18种竞争算法的定量与定性评估，证明了我们的方法在学习显著性图分布方面的有效性，从而在RGB-D显著性检测中取得新的SOTA。
关键词
引用
@article{arxiv.2004.05763,
title = {UC-Net: Uncertainty Inspired RGB-D Saliency Detection via Conditional Variational Autoencoders},
author = {Jing Zhang and Deng-Ping Fan and Yuchao Dai and Saeed Anwar and Fatemeh Sadat Saleh and Tong Zhang and Nick Barnes},
journal= {arXiv preprint arXiv:2004.05763},
year = {2020}
}
备注
Accepted by IEEE CVPR 2020 (ORAL). Code: https://github.com/JingZhang617/UCNet