像素级噪声挖掘用于弱监督的突出物体检测

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 对于视觉突出检测的深度学习需要广泛的,精心注释的数据集.
• 弱监督的方法提供了一个替代方案,但与容易获得的无监督数据固有的杂标签作斗争.
• 深度网络容易过度装配噪音标签,显著降低性能.

研究的目的:

• 开发一种强大的突出物体检测 (SOD) 方法,使用单个噪音标签的弱监督学习.
• 为了应对深度网络过度适应噪音标签的挑战.
• 为了实现准确的突出检测,而不依赖外部模型或完全监督的数据.

主要方法:

• 提出了一个像素级噪声挖掘框架,利用网络自身的知识来识别异常值.
• 在早期培训阶段引入了一种逐步识别异常值的过程,以防止过度装配.
• 创建了一个自适应选择矩阵来指导标签噪声纠正,以改善后期阶段的监督.

主要成果:

• 拟议的方法实现了与最先进的完全监督方法相提并论的突出性检测性能.
• 使用单个噪音标签的现有低监督方法的性能优于现有的低监督方法.
• 超过现有的监督较弱的方法的一半,这些方法使用多个噪音标签.
• 当使用多个噪音标签进行训练时,该方法在四个数据集中超过了所有其他多噪音标签方法.
• 在多类语义细分任务中表现出概括能力.

结论:

• 开发的噪音挖掘框架使得强大的突出物体检测 (SOD) 从弱监督的,杂的标签.
• 这种方法有效地减轻了标签噪声对深度模型培训的负面影响.
• 在弱监督的SOD中取得了最先进的结果,并表现出强大的泛化能力.