(WACV2022-OCENet)Modeling Aleatoric Uncertainty for Camouflaged Object Detection 论文简读
date
Apr 18, 2023
Last edited time
Apr 18, 2023 03:52 AM
status
Published
slug
WACV2022-OCENet论文阅读
tags
DL
CV
summary
type
Post
Field
Plat
其实我觉得这篇的质量不太好，但是也提到了点估计和不确定性的问题。可以参考一下怎么写。
Abstract
在伪装物体检测的情况下，由于伪装前景和背景的相似外观，特别是在物体边界周围，获得高度准确的注释是困难的。直接使用“嘈杂”的伪装地图进行训练可能会导致模型具有较差的泛化能力。
在本文中，我们介绍一种随机不确定性估计技术，以表示由于噪声标记而产生的预测不确定性。我们提出了一种置信度感知的伪装物体检测（COD）框架，该框架使用动态监督来生成精确的伪装地图和可靠的“随机不确定性”。与现有的技术不同，这些技术遵循点估计管道进行确定性预测，我们的框架将随机不确定性形式化为模型输出和输入图像之间的概率分布。
我们声称，一旦训练完成，我们的置信度估计网络可以评估预测的像素精度，而无需依赖于地面真实的伪装地图。
目前估计随机误差的技术需要一个额外的方差估计模块来表示不确定性。错误预测的方差最大化以最小化损失，并采用L2正则化来防止它变得无限大。相比之下，我们提出了一种创新的在线置信度估计网络（OCENet）来模拟伪装物体检测中的不确定性。我们动态地推导预测值和真实值之间的差异，作为 OCENet 中不确定性估计模块的监督。在这种设置下，我们的 OCENet 可以将错误分类的区域识别为不确定的，并将低不确定性值分配给正确预测的区域。如图1所示，我们估计的置信度图可以将高不确定性分配给欠分割，过分割，幻象分割（假前景预测与目标物体远离），以及错误可能发生的物体边界。
Method
我们的框架包括两个主要模块：伪装目标检测网络（CODNet），用于生成伪装地图，以及在线置信度估计网络（OCENet），用于明确估计当前预测的不确定性。
我们的训练数据集表示为 ，其中 和 分别表示一张图像和其对应的真实伪装地图。我们将CODNet定义为 ，生成预测的伪装地图。然后，OCENet表示为 ，将预测的伪装地图和图像的串联作为输入来估计像素级的不确定性地图，指示模型对CODNet的预测的认知程度。
Dynamic Uncertainty Supervision
我们为 OCENet 推导动态不确定性监督 :
这不就是 么, 干嘛折成这种形式
动态不确定性监督 () 定义为预测 和其对应的真实标签 之间的像素级 L1 距离。它会将高不确定性赋予那些伪装目标检测网络做出自信但错误预测的像素。例如，如果网络错误地预测像素 是背景像素，并给出 的得分，而其真实标签 表示它是前景像素，那么我们的动态监督将为像素 分配 ，表示这是一个不确定或困难的像素。
OCENet使用二元交叉熵损失进行训练:
Exp
We resize all the images and ground truth to 480 × 480.
Result
