基于图像级标签及超像素块的弱监督显著性检测

摘要：

针对获得训练数据集代价高昂问题,提出了一种用于图像显著性检测的弱监督新方法,在训练网络模型时仅使用图像级标签.方法分为两个阶段,在第一阶段,根据图像级标签训练分类模型,获得前景推断图;在第二阶段,对原图像进行超像素块处理,并与阶段一得到的前景推断图进行融合,从而细化显著对象边界.算法使用了现有的大型训练集和图像级标签,未使用像素级标签,从而减少了注释的工作量.在四个公共基准数据集上的实验结果表明,性能明显优于无监督的模型,与全监督模型相比也具有一定的优越性.

关键词：深度学习、弱监督、显著性检测、超像素

所属期刊栏目：37

分类号：TP391.41(计算技术、计算机技术)

在线出版日期：2020-06-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：601-605