(AAAI2022-PSOD)Weakly-Supervised Salient Object Detection Using Point Supervision 论文阅读

date

Jun 4, 2023

Last edited time

Jun 4, 2023 12:21 PM

status

Published

slug

PSOD论文阅读

tags

summary

感觉也8行

type

Post

origin

https://www.notion.so/lazurite/AAAI2022-PSOD-Weakly-Supervised-Salient-Object-Detection-Using-Point-Supervision-f43ffe5e29fb4eb2988e389d5f38b9b4?pvs=4

Field

Plat

Weakly-Supervised Salient Object Detection Using Point Supervision

Current state-of-the-art saliency detection models rely heavily on large datasets of accurate pixel-wise annotations, but manually labeling pixels is time-consuming and labor-intensive. There are...

http://arxiv.org/abs/2203.11652

Gao et al. - 2022 - Weakly-Supervised Salient Object Detection Using P.pdf

1616.7KB

GitHub - shuyonggao/PSOD: Point Saliency

Point Saliency . Contribute to shuyonggao/PSOD development by creating an account on GitHub.

https://github.com/shuyonggao/PSOD

💡

评价是一般

本文提出了一种新颖的弱监督显著性目标检测方法，使用点监督来生成伪标签。该方法首先设计了一种自适应掩膜洪水填充算法来生成伪标签，然后开发了一个基于Transformer的点监督显著性检测模型来产生第一轮显著性图。然而，由于标签的稀疏性，弱监督模型往往会退化为一个通用的前景检测模型。为了解决这个问题，我们提出了一种非显着抑制 (NSS) 方法来优化第一轮生成的错误显着图，并将它们用于第二轮训练。

Model

Adaptive Flood Filling

由于稀疏标签仅覆盖对象区域的一小部分，这限制了模型感知对象结构的能力。

我们将边缘直接应用于洪水填充。洪水填充从起始节点开始搜索其邻域（4 或 8）并提取与其相连的附近节点，直到处理完封闭区域中的所有节点（算法 1）。

💡

即利用边缘图来生成伪标签

Non-Salient object Suppression (NSS)

由于弱监督模型只能使用部分像素标注来训练，因此往往会将非显著性目标也误判为显著性目标。NSS技术通过在第一轮训练后，根据伪标签和原始图像之间的差异来检测非显著性目标，并将其从伪标签中去除。这样可以减少噪声和错误信息对第二轮训练的影响，从而提高检测精度。NSS技术可以有效地过滤掉非显著性目标，使得模型更加专注于学习真正的显著性目标特征。