基于涂鸦标注的弱监督显著目标检测

与费力的像素级稠密标注相比，以涂鸦标注数据要容易得多，标注一幅图像仅需 1$\sim$2 秒。然而，利用涂鸦标签学习显著目标检测尚未被探索。本文中，我们提出一种弱监督显著目标检测模型，从此类标注中学习显著性。为此，我们首先用涂鸦重新标注一个现有的大规模显著目标检测数据集，即 S-DUTS 数据集。由于涂鸦未标识对象结构与细节信息，直接用涂鸦标签训练将导致边界定位不佳的显著性图。为缓解该问题，我们提出一个辅助边缘检测任务以显式定位对象边缘，以及一种门控结构感知损失来对待恢复结构的范围施加约束。此外，我们设计了一种涂鸦增强方案，迭代巩固我们的涂鸦标注，随后将其作为监督用于学习高质量显著性图。由于现有显著性评估指标忽略衡量预测的结构对齐，显著性图排序指标可能不符合人类感知。我们提出一种称为显著性结构度量的新指标，以衡量预测显著性图的结构对齐，其更符合人类感知。在六个基准数据集上的大量实验表明，我们的方法不仅优于现有的弱监督/无监督方法，而且与若干全监督最先进模型相当。我们的代码与数据公开于 https://github.com/JingZhang617/Scribble_Saliency。