通过知识迁移的统一无监督显著目标检测
计算机视觉与模式识别
2024-08-14 v2
摘要
最近，无监督显著目标检测(USOD)因其无需标注的特性而受到越来越多的关注。然而，当前方法主要关注特定任务（如RGB和RGB-D），忽略了任务迁移的潜力。在本文中，我们提出了一个用于通用USOD任务的统一USOD框架。首先，我们提出了一种基于渐进式课程学习的显著性蒸馏(PCL-SD)机制，以从预训练的深度网络中提取显著性线索。该机制从简单样本开始，逐渐转向困难样本，以避免困难样本造成的初始干扰。随后，利用获得的显著性线索来训练显著性检测器，并采用自校正伪标签精炼(SPR)机制来提高伪标签的质量。最后，设计了一种适配器微调方法来迁移所获得的显著性知识，利用共享知识在目标任务上获得卓越的迁移性能。在五个具有代表性的SOD任务上的大量实验证实了我们提出方法的有效性和可行性。代码和补充材料可在 https://github.com/I2-Multimedia-Lab/A2S-v3 获取。
引用
@article{arxiv.2404.14759,
title = {Unified Unsupervised Salient Object Detection via Knowledge Transfer},
author = {Yao Yuan and Wutao Liu and Pan Gao and Qun Dai and Jie Qin},
journal= {arXiv preprint arXiv:2404.14759},
year = {2024}
}
备注
Accepted by IJCAI 2024