.png){kind=icon}
返回
Semantic-aware representations for unsupervised Camouflaged Object Detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jvcir.2024.104366.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无监督图像分割算法由于缺乏人工标注而面临挑战。它们通常采用来自自监督模型的表示来生成伪标签以监督模型训练。采用这种策略，模型的性能很大程度上取决于生成的伪标签的质量。本研究中，我们设计了一个无需生成伪标签即可执行COD（伪装目标检测）任务的无监督框架。具体而言，我们利用在大规模无标签数据集上以自监督方式训练的语义感知表示来指导训练过程。这些表示不仅能捕获丰富的上下文语义信息，还有助于细化伪装目标的模糊边界。此外，我们设计了一个将语义感知表示与任务特定特征集成的框架，使模型能够以增强的上下文理解能力执行UCOD（无监督伪装目标检测）任务。此外，我们引入了一种创新的多尺度token损失函数，通过不同特征和尺度间的相互监督，在模型预测中保持各尺度物体的结构完整性。广泛的实验验证表明，我们的模型显著提升了UCOD的性能，其能力已接近当前最先进的弱监督COD模型。
Keyword:
Semantic-aware segmentation
Unsupervised object detection
Camouflaged Object Detection
期刊
IF:
3.1
论文数:
547
被引数:
5.6K
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容