计算机应用

作者：王强, 黄小明, 佟强, 刘秀磊

单位：1.北京信息科技大学 数据科学与情报分析研究所, 北京 100101；2.北京材料基因工程高精尖创新中心(北京信息科技大学), 北京 100101

关键词：弱监督,边界框标注,显著图,伪真值,显著性目标检测

基金：国家重点研发计划项目(2021YFB2600600);北京信息科技大学校级基金资助项目(2121YJPY225);科研机构创新能力建设;北京市教委科研计划项目(KM202011232014)

针对以往的弱监督显著性目标检测算法存在的显著目标定位不准确问题，提出一种基于边界框标注的弱监督显著目标检测算法。所提算法利用图像中所有目标的最小外接矩形框，即边界框，作为监督信息。首先基于边界框标注和GrabCut算法生成初始显著图；然后在此基础上设计了一个缺失修正模块，以得到优化后的显著图；最后结合传统方法和深度学习方法各自的优势，将优化后的显著图作为伪真值，通过神经网络学习一个显著性目标检测模型。在4个公开数据集上与6种无监督、4种弱监督的显著性检测算法进行比较的实验结果显示，所提算法在所有数据集上的最大F度量值（Max-F）和平均绝对误差（MAE）均明显优于对比算法：与同样基于边界框标注的弱监督方法SBB（Saliency Bounding Boxes）相比，所提算法的标注方法更简单，在ECSSD、DUTS-TE、HKU-IS、DUT-OMRON等4个数据集上进行实验，Max-F分别提高了1.82%、4.00%、1.27%和5.33%，MAE分别降低了13.89%、15.07%、8.77%和13.33%。可见，所提算法是一种具有良好检测性能的弱监督显著目标检测算法。

来源：2023年第6期

《计算机应用》期刊编辑部

查看计算机应用杂志2023年第6期