【论文标题】Weakly-supervised Salient Instance Detection 【显著性检测】弱监督显著实例检测 【作者团队】Xin Tian, Ke Xu, Xin Yang, Baocai Yin and Rynson Lau 【发表时间】2020/9/14 【论文链接】https://www.bmvc2020-conference.com/assets/papers/0430.pdf 【论文代码】暂无 【推荐理由】本文收录为BMVC-2020的最佳学生论文提名奖（Best Student Paper Runner Up），由大连理工、港城市和鹏程实验室。研究人员指出，现有的显着实例检测（Salient Instance Detection，SID）方法通常从带有像素级标注的数据集学习知识。本文提出了第一个基于弱监督方法的SID问题。尽管普遍认为弱监督应用于显著性检测中，它主要基于使用类标签进行对象定位。但是，仅使用类标签来学习实例感知的显着性信息并非难事，因为具有高语义相似性的显着实例可能不容易被标签分开。我们注意到，将信息分类可以立即判断显著项，这通常与检测显着实例有关，可能有助于分离同一类的实例，同时将同一实例的不同部分组合在一起。基于这种观察，研究人员建议使用类别标签和计数标签应对SID任务。我们提出了一个具有三个分支的新型弱监督网络：显着性检测分支利用类一致性信息来定位候选者对象边界检测分支，利用类差异信息来描述对象边界；和质心检测分支，使用细分信息来检测明显的实例质心。该补充信息被进一步融合以产生显着的实例图。我们进行了广泛的实验，以证明提议的方法与精心设计的基准方法相适应相关任务。 整体框架方案流程描述，该SID模型仅使用图片级别标签和计数标签进行训练。 它具有三个协同分支：（1）边界检测分支，用于使用类差异信息检测对象边界；（2）显着性检测分支：使用类一致性信息检测对象；（3）质心检测分支：用于使用细分信息来检测显着实例重心。 随机游走法（Random Walk Method）进一步应用于融合这些信息以获得最终的显着实例掩膜。

内容中包含的图片若涉及版权问题，请及时与我们联系删除