admin管理员组

文章数量:1130349

Abstract

CVPR 2018，西北工业大学和澳大利亚合作的文章.
监督学习的方法显著物体检测方法通常需要大量的标注(labor-intensive)，并且可能阻碍了学习到的模型的泛化能力。本文提出一种新颖的若监督方法，从别的弱监督方法产生的结果进行学习，这些结果通常带有noise，因此本文提出y = y’ + n的思想，学习一个潜在的显著性预测模块和一个噪声模块。

Movitation

非监督方法虽然在性能上比不过监督方法，但是通常是数据集独立的，可以应用到自然环境中。一些存在的非监督方法的结果虽然有噪声，但是却包含有用的信息。

Framwork


损失函数的设计：
分成两部分，最终的损失函数，是显著性预测模块的损失函数加上噪声模块的损失函数，同时用一个正则化因子进行权衡。


在显著性预测模块，直接使用已有方法的非监督方法的预测结果，与本方法的预测结果使用交叉熵损失。

Abstract

CVPR 2018，西北工业大学和澳大利亚合作的文章.
监督学习的方法显著物体检测方法通常需要大量的标注(labor-intensive)，并且可能阻碍了学习到的模型的泛化能力。本文提出一种新颖的若监督方法，从别的弱监督方法产生的结果进行学习，这些结果通常带有noise，因此本文提出y = y’ + n的思想，学习一个潜在的显著性预测模块和一个噪声模块。

Movitation

非监督方法虽然在性能上比不过监督方法，但是通常是数据集独立的，可以应用到自然环境中。一些存在的非监督方法的结果虽然有噪声，但是却包含有用的信息。

Framwork


损失函数的设计：
分成两部分，最终的损失函数，是显著性预测模块的损失函数加上噪声模块的损失函数，同时用一个正则化因子进行权衡。


在显著性预测模块，直接使用已有方法的非监督方法的预测结果，与本方法的预测结果使用交叉熵损失。

本文标签： SaliencyDetectiondeepUnsupervisedLabeling

版权声明：本文标题：Deep Unsupervised Saliency Detection: A Multiple Noisy Labeling Perspective 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://it.en369.cn/jiaocheng/1758750109a2783704.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。