计算机科学与技术学院
学院新闻
当前位置: 首页>>学院新闻>>正文

 

 

计算机学院在计算机视觉顶级期刊 IJCV 上发表最新研究成果
2021-11-30 17:56     (点击: )

近日,计算机学院尹宝才教授、杨鑫教授团队博士研究生田鑫、许可在International Journal of Computer Vision (IJCV) 上发表研究论文“Learning to Detect Instance-level Salient Objects using Complementary Image Labels”。IJCV是计算机视觉领域的两大顶级期刊之一,是中国计算机学会认定的人工智能领域四个A类期刊之一。本工作的会议版曾获BMVC 2020最佳学生论文奖。


       现有的实例级显著物体检测(Salient Instance Detection, SID)方法通常从像素级标注数据集中学习,而本工作提出了第一个针对SID问题的弱监督学习方法。尽管在现有的显著性检测方法中已经有使用类别标签进行物体定位的弱监督学习,然而只使用类别标签来学习实例级显著性信息是不可行的,因为具有高语义相关性的显著物体实例可能不容易被类别标签区分开。我们观察到感知数(subitizing)信息提供了对显著物体数量的即时判断,它与显著物体实例检测自然相关,并可能有助于分离同一类别的不同实例,或者将同一实例的不同部分聚合起来。受到这一观察的启发,本工作提出同时使用类别和感知数标签作为SID问题的弱监督信息源,并相应地提出了一个具有三分支的新型弱监督网络,其包括:一个显著性检测分支,利用类的一致性信息来定位候选物体;一个边界检测分支,利用类的差异性信息来划分物体的边界;和一个中心点检测分支,利用感知数信息来检测物体实例的中心点;然后,通过融合这些互补信息,可以产生一个显著物体的实例图。为了进一步促进模型的学习过程,本工作还提出了一个渐进式的训练方案,通过渐进式的预测更新和模型刷新来减少伪标签噪声和模型对应学习到的噪声。最终,大量的评估实验表明,本工作所提出的方法在与精心设计的、适用于相关任务的基线方法的比较中表现出色。





相关文献:

1) Xin Tian, Ke Xu, Xin Yang, Baocai Yin, Rynson Lau. Learning to Detect Instance-level Salient Objects Using Complementary Image Labels. International Journal of Computer Vision (IJCV) 2021. (link: https://arxiv.org/abs/2111.10137) (CCF A)

2) Xin Tian, Ke Xu, Xin Yang, Baocai Yin, Rynson Lau. Weakly-supervised Salient Instance Detection. British Machine Vision Conference (BMVC) 2020. (link: https://arxiv.org/abs/2009.13898) (Best Student Paper)



上一条:计算机学院在人工智能顶级会议 AAAI 上发表最新研究成果
下一条:电信学部计算机学院大二本科生团队在“智在飞翔”全国竞赛中斩获佳绩

地址:中国·辽宁省大连市甘井子区凌工路2号 邮编:116024
Copyright ? 2014 All Rights Reserved 版权所有:大连理工大学计算机科学与技术学院