显著目标检测的弱监督学习
计算机视觉与模式识别
2015-09-09 v2
摘要
近年来，监督式显著目标检测取得了显著进展，在基准数据集上表现优异。然而，训练此类模型需要昂贵的像素级显著物体标注。此外，许多现有的显著目标检测模型假设输入图像中至少存在一个显著物体。这种假设往往导致在完全不含显著物体的背景图像上生成效果不佳的显著图。为避免对昂贵的像素级显著区域标注的需求，本文研究了用于显著目标检测的弱监督学习方法。给定一组背景图像和显著物体图像，我们提出了一种联合解决显著物体存在性与检测任务的方案。我们采用潜变量 SVM 框架，将这两个问题公式化为单一的集成目标函数：将超像素的显著性标签建模为隐藏变量，并纳入一个以显著物体存在变量为条件的分类项中；而该存在变量又依赖于全局图像特征、区域显著性特征以及显著性标签分配。基准数据集上的实验结果验证了我们所提方法的有效性。
引用
@article{arxiv.1501.07492,
title = {Weakly Supervised Learning for Salient Object Detection},
author = {Huaizu Jiang},
journal= {arXiv preprint arXiv:1501.07492},
year = {2015}
}
备注
technical report