边缘深度挖掘的弱监督显著性目标检测

摘要：

基于深度学习的显著性目标检测算法大多依赖于大规模标注数据下的监督学习模式,但是,样本的像素级标签存在获取困难、标注成本高的问题.为此,设计一种边缘深度挖掘的弱监督显著性目标检测算法,仅使用图像级类别标签,从输入图像的显著性目标边缘角度得到能够较准确描述目标轮廓信息的边缘特征图,以生成伪标签对显著性模型进行监督训练.通过粗糙边缘生成模块对显著性目标轮廓特征进行简单标定,用于获取粗糙边缘特征图.在此基础上,利用精细边缘生成模块优化特征以得到精细边缘特征图,能够更准确地反映目标的边界信息,在完整刻画轮廓信息的同时可以更好地抑制背景噪声.伪标签生成模块基于精细边缘特征图生成像素级伪标签.实验结果表明,相比MSW、MFNet、NSAL等算法,该算法能够准确识别显著性区域,获得的预测图具有较完整的细节信息,其中,在ECSSD数据集上S-measure值和E-measure值相较于第2名NSAL算法分别提高1.1和0.6个百分点.

关键词：弱监督、显著性目标检测、深度学习、图像级类别标签、伪标签

所属期刊栏目：49

分类号：TP391(计算技术、计算机技术)

资助基金：科技创新新一代人工智能重大项目2030;2018AAA0100400

在线出版日期：2023-07-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：169-178