【CVPR2020】通过潦草注释的弱监督显著目标检测，Weakly-Supervised Salient Object Detection via Scribble Annotations

主题： Weakly-Supervised Salient Object Detection via Scribble Annotations

摘要： 与费力的逐像素密集标记相比，这种方法更容易通过涂抹来标记数据，仅花费1-2秒即可标记一张图像。然而，尚未有人探索使用可划线标签来学习显着物体检测。在本文中，我们提出了一种弱监督的显着物体检测模型，以从此类注释中学习显着性。为此，我们首先使用乱码对现有的大型显着物体检测数据集进行重新标记，即S-DUTS数据集。由于对象的结构和详细信息不能通过乱写识别，因此直接训练带有乱写的标签将导致边界位置局限性的显着性图。为了缓解这个问题，我们提出了一个辅助的边缘检测任务来明确地定位对象边缘，并提出了门控结构感知损失以将约束置于要恢复的结构范围上。此外，我们设计了一种涂鸦增强方案来迭代地整合我们的涂鸦注释，然后将其作为监督来学习高质量的显着性图。我们提出了一种新的度量标准，称为显着性结构测量，用于测量预测显着性图的结构对齐方式，这与人类的感知更加一致。在六个基准数据集上进行的大量实验表明，我们的方法不仅优于现有的弱监督/无监督方法，而且与几种完全监督的最新模型相提并论。