.png){kind=icon}
返回
Fighting background misjudgment for unsupervised salient object detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2026.132504.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于对比学习预训练模型的无监督显著目标检测（SOD）方法已取得显著进展。然而，由于此类模型固有的前景偏差，现有方法常出现背景误判，尤其是在前景物体邻近区域。此外，当前针对背景错误（如误报）的评价指标未能反映不同空间区域的误判严重程度。对于SOD任务，前景附近的背景像素误判会严重破坏物体结构并影响下游任务性能，而远离前景的背景误判则通常可容忍。这种空间差异对模型评价至关重要，但常被忽视。为解决此问题，我们提出一种新型评价指标——背景误判率（BMR omega），根据误判背景像素与前景的空间距离动态加权，为下游应用提供区域敏感的指导。此外，我们引入一个精炼模块以减轻现有无监督SOD方法中的背景误判。基于基础模型（如A2S-v3）生成的初始显著性图，该方法包含前景-背景分割组件（FBPC）和伪前景抑制组件（PFSC）。FBPC通过分析图像块的全局显著性分布自适应确定前景与背景块比例，突破了固定阈值或基于局部对比度的分割限制。PFSC进一步利用前景与背景特征的可分性，通过构建基于Gram矩阵的特征差异增强机制，引入背景误判惩罚损失以扩大特征空间中的前景-背景距离，有效抑制伪前景激活。所提模块与模型无关，可轻松集成到各类无监督SOD框架中。在五个标准基准数据集上的大量实验表明，该方法在显著减少背景误判方面优于八种最先进的无监督方法。
Keyword:
Salient object detection
Unsupervised learning
Background misjudgment
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
LRENet: a location-related enhancement network for liver lesions in CT imagesLRENet: CT图像中肝脏病变的位置相关增强网络
PREAI
分享收藏WBNet: Weakly-supervised salient object detection via scribble and pseudo-background priors.png)
PATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏
查看更多内容