不确定性感知的深度校准显著目标检测
计算机视觉与模式识别
2020-12-14 v1
摘要
现有基于深度神经网络的显著目标检测（SOD）方法主要致力于追求高网络精度。然而，这些方法忽视了网络精度与预测置信度之间的差距，即置信度未校准问题。因此，最先进的SOD网络往往过于自信。换言之，网络的预测置信度并不能反映显著目标检测正确的真实概率，这严重阻碍了其在实际场景中的适用性。本文引入了一种不确定性感知的深度SOD网络，并从不同角度提出两种策略以防止深度SOD网络过于自信。第一种策略称为边界分布平滑（BDS），通过针对像素级不确定性对原始二值真值进行平滑来生成连续标签。第二种策略称为不确定性感知温度缩放（UATS），在训练和测试期间利用具有空间变化温度缩放的松弛Sigmoid函数以产生柔化输出。两种策略均可以极小的代价集成到现有深度SOD网络中。此外，我们提出了一种新的显著性评价指标，即密集校准度量C，用于衡量模型在给定数据集上的校准程度。在七个基准数据集上的大量实验结果表明，我们的方案不仅能更好地校准SOD模型，还能提升网络精度。
引用
@article{arxiv.2012.06020,
title = {Uncertainty-Aware Deep Calibrated Salient Object Detection},
author = {Jing Zhang and Yuchao Dai and Xin Yu and Mehrtash Harandi and Nick Barnes and Richard Hartley},
journal= {arXiv preprint arXiv:2012.06020},
year = {2020}
}
备注
Completed in 2019