基于不确定性启发的RGB-D显著性检测
计算机视觉与模式识别
2020-09-08 v1
摘要
我们提出了首个利用不确定性进行RGB-D显著性检测的随机框架，通过从数据标注过程中学习来实现。现有的RGB-D显著性检测模型将该任务视为点估计问题，遵循确定性学习流程预测单一的显著性图。然而，我们认为确定性解相对不适定。受显著性数据标注过程启发，我们提出一种生成式架构来实现概率化RGB-D显著性检测，其利用潜变量对标注差异进行建模。我们的框架包含两个主要模型：1）生成器模型，将输入图像和潜变量映射为随机显著性预测；2）推断模型，通过从真实或近似后验分布中采样，逐步更新潜变量。生成器模型是一个编码器-解码器显著性网络。为推断潜变量，我们引入两种不同的方案：i）带有额外编码器以近似潜变量后验分布的条件变分自编码器；ii）交替反向传播技术，直接从真实后验分布中采样潜变量。在六个具有挑战性的RGB-D基准数据集上的定性与定量结果表明，我们的方法在学习显著性图分布方面具有优越性能。源代码已通过我们的项目页面公开：https://github.com/JingZhang617/UCNet。
引用
@article{arxiv.2009.03075,
title = {Uncertainty Inspired RGB-D Saliency Detection},
author = {Jing Zhang and Deng-Ping Fan and Yuchao Dai and Saeed Anwar and Fatemeh Saleh and Sadegh Aliakbarian and Nick Barnes},
journal= {arXiv preprint arXiv:2009.03075},
year = {2020}
}