MMOct, 2023

走向自主监督的全流程无监督显著性检测

PDF
TL;DR自我监督的端到端显著目标检测框架基于对比学习构建了最具教导性分割引导的位置映射，并通过细节增强模块丰富了位置标签的详细信息；此外，通过设计一种新的无监督非显著对象抑制（UNSS）方法，该方法能够忽略非显著对象。在基准数据集上的大量实验证明我们的方法在近期的端到端方法和大多数多阶段解决方案中取得了领先的性能。
unsupervised salient object detectionend-to-end methodsself-supervisedcontrastive learningnon-salient suppression
发现论文，激发创造
  • DeepUSPS：基于自监督的深度稳健无监督显著性预测

    提出了一种两阶段机制的方法用于非监督目标显著性预测，第一阶段使用了深度网络逐步提炼由不同手工显著性方法产生的嘈杂伪标签，其结果可用于训练第二阶段的真实显著性检测网络，该自学习过程比现有的所有非监督方法的性能都要好，甚至与完全监督的最先进方法的结果相当。

    Sep, 2019

  • 基于知识迁移的统一无监督显著目标检测

    提出一种用于通用无监督显著目标检测任务的统一框架，其中包括渐进式课程学习的显著性提取机制、自我矫正的伪标签优化机制和适配器调整方法，实现了在目标任务上取得更好的迁移性能。

    Apr, 2024

  • 基于显著性引导的弱监督物体检测的端到端学习

    本文主要研究弱监督物体检测（WSOD）中缺乏位置监督的问题，并将显著性集成到深度网络中，对高置信对象提出类别特定的显著性，这些特定的位置信息、语义信息和显著信息来显式监督网络，并通过预测网络隐式地指导本地化过程，实现了端到端的训练，实验结果表明，我们的方法优于所有最先进的方法。

    Jun, 2017

  • 基于纹理引导的显著性蒸馏技术用于无监督显著目标检测

    这篇文章提出了一种基于深度学习的无监督显著物体检测方法，其中使用 CSD 策略来为容易和困难的样本打分，并使用 BTM 策略来细化嘈杂标签的边界。实验结果表明该方法达到了最先进的成果。

    Jul, 2022

  • 基于不确定性感知伪标签学习的无监督域自适应显著目标检测

    通过使用合成数据集来代替传统的手动标注，本论文提出了一种新的基于不确定性自学习的无监督域适应方法，用于深度学习中的显著物体检测任务，并在多个基准数据集中取得了超过现有深度学习方法的最佳表现，甚至与全监督方法相当。

    Feb, 2022

  • 利用图像标签进行弱监督显著目标检测

    本篇论文提出采用无监督学习方法生成的显著图用于像素级注释，在此基础上采用简单而有效的算法训练卷积神经网络，使用图形模型和完全卷积网络为模型更新修复标签歧义和更新粗糙激活地图，结果表明，该算法与目前最佳的强监管方法相当，性能明显优于所有最新的无监督显著性检测方法。

    Mar, 2018

  • 深度无监督显著性检测：多噪声标注视角

    通过学习通过由 “弱” 和 “噪声” 的非监督型手工精炼显着性方法生成的多个噪声标签，我们提出了一种新的非监督型显着性检测模型，该模型包括一个隐式显着性预测模块和一个噪声建模模块，二者协作学习，并共同优化以使我们的模型能够以概率方式处理噪声显着性图，具有可比拟的性能和优于所有非监督显着性方法的显着性检测效果。

    Mar, 2018

  • 多尺度特征对应下的自监督共显目标检测

    我们的论文介绍了一种新颖的两阶段自监督方法，用于在图像组中检测共现显著对象（CoSOD），不需要分割注释。我们的轻量级模型利用了补丁和区域级别上的特征对应，显著提高了预测性能。我们的自监督模型在三个 CoSOD 基准数据集上进行了大量实验证明，性能明显优于现有最先进模型。

    Mar, 2024

  • 基于分割频率统计的非监督式和半监督式共显目标检测

    在这篇研究论文中，我们采用无监督的频率统计方法来检测图像组中同时出现的显著对象（CoSOD），从而使我们能够开发半监督的方法。我们提出的无监督方法 US-CoSOD 结合了无监督单图像语义分割的对象共现频率统计和利用自监督特征学习的显著前景检测。我们首次展示了大规模无标签数据集（例如 ImageNet-1k）可以有效地提高无监督 CoSOD 的性能。同时，我们的无监督模型是半监督模型 SS-CoSOD 的良好预训练初始化，在训练过程中，尤其是当可用的标记数据非常有限时。为了避免在无标签数据上的预测中传播错误的信号，我们提出了一种置信度估计模块来指导我们的半监督训练。对三个 CoSOD 基准数据集的广泛实验证明，我们的无监督模型和半监督模型都显著优于相应的最先进模型（例如，在 Cosal2015 数据集上，我们的 US-CoSOD 模型相对于最先进的无监督共分割模型有 8.8% 的 F-measure 增益，而我们的 SS-CoSOD 模型相对于最先进的半监督 CoSOD 模型有 11.81% 的 F-measure 增益）.

    Nov, 2023

  • 使用点监督的弱监督显著物体检测

    本文采用点监督的方法提出一种新的弱监督显著性物体检测方法，并使用自适应遮罩洪水填充算法生成伪标签，和基于 Transformer 的模型进行训练，同时提出了一种 Non-Salient Suppression（NSS）方法来针对第一轮训练中生成的错误显著性标签进行优化，并应用于第二次训练中，最终在五个基准数据集上证明该方法优于其他先前的监督学习方法和完全监督的最新模型。

    Mar, 2022