计算机应用研究

作者：谭台哲,轩康西,曾群生,

单位：1.广东工业大学计算机学院,广州510006；2.河源广工大协同创新研究院,广东河源517000；

关键词：深度学习,弱监督,显著性检测,超像素,

针对获得训练数据集代价高昂问题，提出了一种用于图像显著性检测的弱监督新方法，在训练网络模型时仅使用图像级标签。方法分为两个阶段，在第一阶段，根据图像级标签训练分类模型，获得前景推断图；在第二阶段，对原图像进行超像素块处理，并与阶段一得到的前景推断图进行融合，从而细化显著对象边界。算法使用了现有的大型训练集和图像级标签，未使用像素级标签，从而减少了注释的工作量。在四个公共基准数据集上的实验结果表明，性能明显优于无监督的模型，与全监督模型相比也具有一定的优越性。

来源：2020年第2期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2020年第2期