基于分割频率统计的非监督式和半监督式共显目标检测

Nov, 2023

基于分割频率统计的非监督式和半监督式共显目标检测

Unsupervised and semi-supervised co-salient object detection via segmentation frequency statistics

Souradeep Chakraborty, Shujon Naha, Muhammet Bastan, Amit Kumar K C, Dimitris Samaras

TL;DR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）.

Abstract

In this paper, we address the detection of co-occurring salient objects (CoSOD) in an image group using frequency statistics in an unsupervised manner, which further enable us to develop a →