基于不确定性感知伪标签学习的无监督域自适应显著目标检测
计算机视觉与模式识别
2022-03-01 v1
摘要
深度学习的近期进展显著提升了显著目标检测（SOD）的性能，代价是标注更大规模的逐像素注释。为缓解劳动密集型标注的负担，已有深度无监督 SOD 方法被提出以利用由手工显著性方法生成的噪声标签。然而，仍难以从粗糙噪声标签中学习准确的显著性细节。本文中，我们提出从合成但干净的标签学习显著性，其天然具有更高的像素标注质量且无需人工标注努力。具体而言，我们首先通过简单的复制-粘贴策略构建了一个新颖的合成 SOD 数据集。考虑到合成与真实场景间较大的外观差异，直接用合成数据训练会导致真实场景上的性能下降。为缓解该问题，我们提出了一种新颖的无监督域自适应 SOD 方法，通过不确定性感知自训练在这两个域间进行适配。实验结果表明，我们所提方法在多个基准数据集上优于现有的最先进深度无监督 SOD 方法，甚至可与全监督方法相媲美。
引用
@article{arxiv.2202.13170,
title = {Unsupervised Domain Adaptive Salient Object Detection Through Uncertainty-Aware Pseudo-Label Learning},
author = {Pengxiang Yan and Ziyi Wu and Mengmeng Liu and Kun Zeng and Liang Lin and Guanbin Li},
journal= {arXiv preprint arXiv:2202.13170},
year = {2022}
}
备注
Accepted by AAAI2022, code is available at https://github.com/Kinpzz/UDASOD-UPL