从噪声伪标签中学习伪装物体检测
原文中文,约300字,阅读约需1分钟。发表于: 。本文介绍了首个弱半监督伪装对象检测方法,旨在通过极少量的全标记图像实现成本高效和高精度的伪装对象分割。我们提出了一种噪声修正损失,用于在早期学习阶段促进模型学习正确像素,并在记忆阶段纠正噪声像素主导的错误风险梯度,最终准确地分割噪声标签中的伪装对象。在只使用 20% 的全标记数据时,我们的方法显示出优于最先进方法的性能。
本文介绍了一种名为CamoDiffusion的方法,用于伪装目标检测。该方法使用扩散模型的去噪过程来减少掩蔽的噪声,并能从掩蔽分布中采样多个可能的预测。实验结果表明,该方法在COD数据集上表现出优越的性能。