基于动态伪标签学习的无监督伪装物体检测方法 UCOD-DPL
计算机视觉与模式识别
2025-06-10 v1
摘要
无监督伪装物体检测（UCOD）因无需依赖大量像素级标注而受到关注。现有 UCOD 方法通常采用固定策略生成伪标签，并使用简单的 1x1 卷积层作为解码器，导致性能远低于完全监督方法。我们指出这些方法存在两个缺点：1）伪标签包含大量噪声，导致模型容易学习错误的知识。2）简单的解码器无法捕捉伪装物体的语义特征，尤其是针对小尺寸物体，由于低分辨率伪标签和前景与背景像素的严重混淆。为此，我们提出一种基于教师-学生框架的 UCOD 方法，称为 UCOD-DPL，包含自适应伪标签模块（APM）、双分支对抗解码器（DBA）和 Look-Twice 机制。APM 模块自适应组合固定策略生成的伪标签和教师模型生成的伪标签，防止模型过拟合错误知识，同时保持自我纠正能力；DBA 解码器通过不同分割目标的对抗学习，引导模型克服伪装物体的前景-背景混淆；Look-Twice 机制模仿人类注意力放大伪装物体的倾向，对小尺寸物体进行二次细化。大量实验表明，我们的方法表现卓越，甚至超过一些现有完全监督方法。该代码已公开。
引用
@article{arxiv.2506.07087,
title = {UCOD-DPL: Unsupervised Camouflaged Object Detection via Dynamic Pseudo-label Learning},
author = {Weiqi Yan and Lvhai Chen and Huaijia Kou and Shengchuan Zhang and Yan Zhang and Liujuan Cao},
journal= {arXiv preprint arXiv:2506.07087},
year = {2025}
}
备注
Accepted by CVPR 2025 (Hightlight)