强大的感知和精确的细分用于Scribble监督的RGB-D突出点检测

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 图像处理 图像处理

背景情况:

• 用于突出物体检测 (SOD) 的像素智能注释是劳动密集型的.
• 使用涂的弱监督方法减少了注释负担,但面临性能下降.
• 现有的基于涂的SOD方法在训练数据丰富度不足和对象结构差的情况下扎.

研究的目的:

• 提出一种新的基于涂的弱监督的RGB-D突出物体检测 (SOD) 方法.
• 解决基于涂的SOD中像素训练样本 (WRPS) 的弱丰度和突出对象 (PSIO) 的结构完整性差的挑战.
• 为了实现强大的功能学习和精确的对象细分,减少注释的努力.

主要方法:

• 一个动态搜索过程模块,用于RGB-D SOD中的多尺度和多模式特征融合.
• 一个双分支的一致性学习机制,以生成足够的像素训练样本.
• 一个边缘区域结构-精炼损失来恢复对象结构信息以进行精确的细分.

主要成果:

• 拟议的方法通过强大的特征学习和伪标签生成,有效地减轻了WRPS.
• 边缘区域结构精炼损失成功地解决了PSIO,提高了细分精度.
• 在八个数据集上的实验结果表明,与其他基于涂的SOD方法相比,性能优越.

结论:

• 开发的基于涂的弱监督的RGB-D SOD方法显著降低了注释负担,同时保持了高性能.
• 该方法实现了与完全监督的最先进的SOD方法相似的结果.
• 提出的技术为高效和有效的突出物体检测提供了一个有希望的方向.