利用Grounded SAM进行自监督且保守的伪装人类检测
计算机视觉与模式识别
2024-06-11 v1
摘要
直观上检测伪装对象是人类和计算机视觉算法都面临的困难问题。对象和背景外观之间的强相似性使该任务显著比传统目标检测或分割任务更具挑战性。当前的最先进模型要么使用卷积神经网络，要么使用视觉变换器作为特征提取器。它们以完全监督的方式进行训练，因此需要大量标记训练数据。在本文中，我们引入了自监督和保守学习方法用于伪装物体检测(COD)任务。总体目标是微调两个COD参考方法，即SINet-V2和HitNet，这两个方法预训练用于伪装动物检测，以适应伪装人类检测任务。因此，我们使用包含森林环境中伪装人类的公共数据集CPD1K。我们使用监督式保守迁移学习创建强基线，用于微调任务。然后，我们分析三种伪标签方法，以自监督方式执行微调任务。我们的实验表明，我们通过纯自监督方式实现的性能与完全监督式保守学习相当。
引用
@article{arxiv.2406.05776,
title = {Utilizing Grounded SAM for self-supervised frugal camouflaged human detection},
author = {Matthias Pijarowski and Alexander Wolpert and Martin Heckmann and Michael Teutsch},
journal= {arXiv preprint arXiv:2406.05776},
year = {2024}
}