基于分割频率统计的无监督与半监督协同显著目标检测
计算机视觉与模式识别
2023-11-14 v1
摘要
本文以无监督方式利用频率统计解决图像组中共现显著目标（CoSOD）的检测问题，并由此进一步开发出一种半监督方法。先前的工作大多聚焦于全监督 CoSOD，而在训练可用的分割标注有限时检测协同显著目标则较少受到关注。我们提出的简洁而有效的无监督方法 US-CoSOD，将无监督单图像语义分割的目标共现频率统计与基于自监督特征学习的显著前景检测相结合。我们首次表明，像 ImageNet-1k 这样的大型无标注数据集可被有效利用，以显著提升无监督 CoSOD 性能。我们的无监督模型是我们半监督模型 SS-CoSOD 的极佳预训练初始化，尤其在可用标注数据极少时。为避免来自无标注数据预测的错误信号传播，我们提出一个置信度估计模块以引导半监督训练。在三个 CoSOD 基准数据集上的大量实验表明，我们的无监督与半监督模型均以显著优势超越相应的 SOTA 模型（例如，在 Cosal2015 数据集上，我们的 US-CoSOD 模型相较 SOTA 无监督共分割模型有 8.8% 的 F-measure 提升，我们的 SS-CoSOD 模型相较 SOTA 半监督 CoSOD 模型有 11.81% 的 F-measure 提升）。
引用
@article{arxiv.2311.06654,
title = {Unsupervised and semi-supervised co-salient object detection via segmentation frequency statistics},
author = {Souradeep Chakraborty and Shujon Naha and Muhammet Bastan and Amit Kumar K C and Dimitris Samaras},
journal= {arXiv preprint arXiv:2311.06654},
year = {2023}
}
备注
Accepted at IEEE WACV 2024