Learning Camouflaged Object Detection from Noisy Pseudo Label

现有的伪装物体检测（Camouflaged Object Detection，COD）方法严重依赖大规模像素注释的训练集，这既费时又费力。虽然弱监督方法提高了注释效率，但由于伪装图像中前景和背景之间的视觉分界线不清晰，它们的性能远远落后。本文探讨了在伪装场景中使用框作为提示的潜力，并引入了第一个弱半监督COD方法，旨在实现预算高效且高精度的伪装物体分割，仅使用极少量的完全标记图像。关键是，从这样有限的数据集中学习必然会产生具有严重噪声像素的伪标签。为了解决这个问题，我们提出了一种噪声校正损失，有助于模型在早期学习阶段学习正确的像素，并在记忆阶段纠正由噪声像素主导的错误风险梯度，最终实现从嘈杂标签中准确分割伪装物体。当仅使用20%的完全标记数据时，我们的方法表现优于现有最先进的方法。

本论文旨在解决在伪装图像中进行目标检测的问题，而传统的弱监督方法由于前景和背景之间的不清晰视觉分界线，导致性能较差。因此，该论文提出了一种基于有限数量的全标注数据的弱半监督COD方法，旨在实现预算高效且高精度的伪装目标分割。

该论文的关键思路是使用盒子作为提示，在有限数量的全标注数据的情况下，通过噪声校正损失来纠正噪声标签并实现准确的伪装目标分割。

该论文的实验结果表明，该方法在仅使用20%的全标注数据时，表现优于现有的最先进方法。该论文提出的噪声校正损失可以有效地纠正噪声标签，并实现准确的伪装目标分割。

在相关研究方面，最近的一些研究包括“Camouflaged Object Detection via Adversarial Training”和“Camouflaged Object Detection via Guided Attention Network Learning”。