基于图像标签的弱监督显著目标检测

基于深度学习的显著目标检测近期取得了巨大成功，其性能远超其他任何无监督方法。然而，逐像素标注显著性掩膜是一个繁琐且低效的过程。在本文中，我们注意到，通过迭代挖掘和纠正传统无监督方法生成的显著性图上的标注歧义，可以获得优异的显著目标检测结果。我们提出将来自分类网络的粗略显著目标激活图与无监督方法生成的显著性图组合作为像素级标注，并开发了一种简单而非常有效的算法来训练全卷积网络，由这些含噪标注进行监督。我们的算法基于交替利用图模型和训练全卷积网络来进行模型更新。图模型通过空间一致性和结构保持来纠正内部标注歧义，而全卷积网络则有助于纠正跨图像语义歧义，同时更新粗略激活图以用于下一次迭代。实验结果表明，我们提出的方法大大优于所有最先进的无监督显著性检测方法，并且在所有公开基准上可与使用数千个像素级显著性图标注训练的当前最佳强监督方法相媲美。