利用点监督的弱监督显著性目标检测
计算机视觉与模式识别
2022-07-13 v2 人工智能
摘要
当前最先进的显著性检测模型严重依赖具有准确像素级标注的大型数据集，但手动标注像素既耗时又费力。目前已开发出一些弱监督方法来缓解这一问题，例如图像标签、边界框标签和涂鸦标签，但点标签在该领域尚未被探索。在本文中，我们提出了一种利用点监督的新型弱监督显著性目标检测方法。为了推断显著性图，我们首先设计了一种自适应掩蔽漫水填充算法来生成伪标签。然后，我们开发了一个基于 Transformer 的点监督显著性检测模型，以产生第一轮显著性图。然而，由于标签的稀疏性，弱监督模型倾向于退化为一般的前景检测模型。为了解决这个问题，我们提出了一种非显著性抑制 (NSS) 方法，以优化第一轮生成的错误显著性图，并将其用于第二轮训练。此外，我们通过重新标注 DUTS 数据集构建了一个新的点监督数据集 (P-DUTS)。在 P-DUTS 中，每个显著性目标只有一个标注点。在五个最大基准数据集上的综合实验表明，我们的方法优于以前在更强监督下训练的最先进方法，甚至超越了几种全监督的最先进模型。代码可在以下网址获取：https://github.com/shuyonggao/PSOD。
引用
@article{arxiv.2203.11652,
title = {Weakly-Supervised Salient Object Detection Using Point Supervision},
author = {Shuyong Gao and Wei Zhang and Yan Wang and Qianyu Guo and Chenglong Zhang and Yangji He and Wenqiang Zhang},
journal= {arXiv preprint arXiv:2203.11652},
year = {2022}
}
备注
accepted by AAAI2022