Aprendendo Saliencia a Partir de Rotulagem Única Ruidosa: Uma Perspectiva Robusta de Ajuste de Modelo

Os avanços feitos na previsão de saliência visual usando redes neurais profundas têm como custo a coleta de dados anotados em larga escala. No entanto, a anotação pixel a pixel é trabalhosa e avassaladora. Neste artigo, propomos aprender a previsão de saliência a partir de uma única rotulagem ruidosa, que é fácil de obter (por exemplo, a partir de anotações humanas imperfeitas ou de métodos de previsão de saliência não supervisionados). Com esse objetivo, abordamos uma questão natural: Podemos aprender a previsão de saliência enquanto identificamos rótulos limpos em uma estrutura unificada? Para responder a essa pergunta, invocamos a teoria do ajuste de modelo robusto e formulamos a previsão de saliência profunda a partir de uma única rotulagem ruidosa como aprendizado de rede robusto e exploramos a consistência do modelo ao longo das iterações para identificar inliers e outliers (ou seja, rótulos ruidosos). Experimentos extensivos em diferentes conjuntos de dados de referência demonstram a superioridade da nossa estrutura proposta, que pode aprender previsões de saliência comparáveis a métodos de saliência totalmente supervisionados de última geração. Além disso, mostramos que simplesmente tratando as anotações de verdade de base como rotulagens ruidosas, nossa estrutura alcança melhorias tangíveis em relação aos métodos de última geração.