論文の概要: Weakly-Supervised Salient Object Detection via Scribble Annotations
- arxiv url: http://arxiv.org/abs/2003.07685v1
- Date: Tue, 17 Mar 2020 12:59:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 21:31:27.464680
- Title: Weakly-Supervised Salient Object Detection via Scribble Annotations
- Title（参考訳）: scribbleアノテーションによるweaklysupervised salient object detection
- Authors: Jing Zhang, Xin Yu, Aixuan Li, Peipei Song, Bowen Liu and Yuchao Dai
- Abstract要約: 本稿では,スクリブルラベルからサリエンシを学習するための弱教師付きサリエント物体検出モデルを提案する。
そこで本研究では,予測されたサリエンシマップの構造アライメントを測定するために,新しい尺度であるサリエンシ構造尺度を提案する。
我々の手法は、既存の弱教師付き/非教師付き手法よりも優れているだけでなく、いくつかの完全教師付き最先端モデルと同等である。
- 参考スコア（独自算出の注目度）: 54.40518383782725
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Compared with laborious pixel-wise dense labeling, it is much easier to label
data by scribbles, which only costs 1$\sim$2 seconds to label one image.
However, using scribble labels to learn salient object detection has not been
explored. In this paper, we propose a weakly-supervised salient object
detection model to learn saliency from such annotations. In doing so, we first
relabel an existing large-scale salient object detection dataset with
scribbles, namely S-DUTS dataset. Since object structure and detail information
is not identified by scribbles, directly training with scribble labels will
lead to saliency maps of poor boundary localization. To mitigate this problem,
we propose an auxiliary edge detection task to localize object edges
explicitly, and a gated structure-aware loss to place constraints on the scope
of structure to be recovered. Moreover, we design a scribble boosting scheme to
iteratively consolidate our scribble annotations, which are then employed as
supervision to learn high-quality saliency maps. As existing saliency
evaluation metrics neglect to measure structure alignment of the predictions,
the saliency map ranking metric may not comply with human perception. We
present a new metric, termed saliency structure measure, to measure the
structure alignment of the predicted saliency maps, which is more consistent
with human perception. Extensive experiments on six benchmark datasets
demonstrate that our method not only outperforms existing
weakly-supervised/unsupervised methods, but also is on par with several
fully-supervised state-of-the-art models. Our code and data is publicly
available at https://github.com/JingZhang617/Scribble_Saliency.
- Abstract（参考訳）: ピクセル単位の濃密なラベル付けに比べて、スクリブルによるデータのラベル付けはずっと簡単で、1枚の画像にラベルをつけるのに1$\sim$2秒しかかからない。
しかし,scribbleラベルを用いた物体検出の研究は行われていない。
本稿では,これらのアノテーションから塩分を学習するための弱教師付き塩分物体検出モデルを提案する。
そこで我々はまず,S-DUTSデータセットというスクリブルを用いて,既存の大規模サルエントオブジェクト検出データセットを解放する。
オブジェクト構造と詳細情報はスクリブルによって識別されないため、スクリブルラベルを用いた直接トレーニングは境界位置の低いサリエンシマップにつながる。
この問題を軽減するために,対象のエッジを明示的にローカライズする補助エッジ検出タスクと,復元対象の構造範囲に制約を課すゲート構造認識損失を提案する。
さらに,スクリブルアノテーションを反復的に統合するスクリブルブースティングスキームを設計し,高品質なサリエンシマップの学習を監督する。
既存のサリエンシー評価指標は予測の構造的アライメントを無視するので、サリエンシーマップランキング指標は人間の知覚に適合しないかもしれない。
本稿では,人間の知覚とより整合した,予測された唾液度マップの構造アライメントを測定するための新しい尺度である「唾液度構造測定」を提案する。
6つのベンチマークデータセットに対する大規模な実験により、我々の手法は既存の弱教師付き/非教師付き手法を上回るだけでなく、いくつかの完全に教師付き状態モデルと同等であることが示された。
私たちのコードとデータはhttps://github.com/jingzhang617/scribble_saliencyで公開されている。
関連論文リスト
- Scribble Hides Class: Promoting Scribble-Based Weakly-Supervised
Semantic Segmentation with Its Class Label [16.745019028033518]
画像レベルのクラスから情報を得たスクリブルアノテーションと擬似ラベルと、監督のためのグローバルセマンティクスの両方を利用するクラス駆動型スクリブルプロモーションネットワークを提案する。
スクリブルアノテーションの異なる性質を持つScribbleSupデータセットの実験は、従来の手法よりも優れており、本手法の優位性と堅牢性を示している。
論文 参考訳（メタデータ） (2024-02-27T14:51:56Z) - Weakly Supervised Semantic Segmentation for Large-Scale Point Cloud [69.36717778451667]
大規模なポイントクラウドセマンティックセグメンテーションのための既存の方法は、高価な、退屈でエラーを起こしやすい手動のポイントワイドアノテーションを必要とする。
この問題を解決するために,2つのコンポーネントを含む効果的な弱教師付き手法を提案する。
実験結果から,既存の弱教師付き手法と完全教師付き手法を比較検討した。
論文 参考訳（メタデータ） (2022-12-09T09:42:26Z) - Weakly-Supervised Salient Object Detection Using Point Supervison [17.88596733603456]
現在の最先端の精度検出モデルは、正確なピクセル単位のアノテーションの大規模なデータセットに大きく依存している。
本稿では,ポイント・インスペクタを用いた弱教師付きサルエント・オブジェクト検出手法を提案する。
我々の手法は、より強い監督力で訓練された従来の最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2022-03-22T12:16:05Z) - Scribble-based Boundary-aware Network for Weakly Supervised Salient
Object Detection in Remote Sensing Images [10.628932392896374]
スパース・スクリブル・アノテーションからリモートセンシング画像の正当性を予測するために,弱教師付きサルエント・オブジェクト検出フレームワークを提案する。
具体的には,高信頼度オブジェクト境界 (擬似) ラベルによって明示的に制御されるオブジェクト境界意味論を探索する境界対応モジュール (BAM) を設計する。
次に,境界セマンティクスを高次特徴と統合し,スクリブルラベルの監督下での健全な物体検出を誘導する。
論文 参考訳（メタデータ） (2022-02-07T20:32:21Z) - Learning to Detect Instance-level Salient Objects Using Complementary
Image Labels [55.049347205603304]
本報告では,本問題に対する第1の弱教師付きアプローチを提案する。
本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
論文 参考訳（メタデータ） (2021-11-19T10:15:22Z) - Unsupervised Object Detection with LiDAR Clues [70.73881791310495]
本稿では,LiDARの手がかりを用いた非教師対象検出のための最初の実用的手法を提案する。
提案手法では,まず3次元点雲に基づく候補オブジェクトセグメントを生成する。
そして、セグメントラベルを割り当て、セグメントラベルネットワークを訓練する反復的なセグメントラベル処理を行う。
ラベル付けプロセスは、長い尾とオープンエンドの分布の問題を軽減するために慎重に設計されている。
論文 参考訳（メタデータ） (2020-11-25T18:59:54Z) - Weakly-supervised Salient Instance Detection [65.0408760733005]
本報告では,本問題に対する第1の弱教師付きアプローチを提案する。
本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
論文 参考訳（メタデータ） (2020-09-29T09:47:23Z) - Structured Prediction with Partial Labelling through the Infimum Loss [85.4940853372503]
弱い監督の目標は、収集コストの安いラベル付け形式のみを使用してモデルを学習できるようにすることである。
これは、各データポイントに対して、実際のものを含むラベルのセットとして、監督がキャストされる不完全なアノテーションの一種です。
本稿では、構造化された予測と、部分的なラベリングを扱うための無限損失の概念に基づく統一的なフレームワークを提供する。
論文 参考訳（メタデータ） (2020-03-02T13:59:41Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。