论文阅读——Texture-guided Saliency Distilling for Unsupervised Salient Object Detection

基本信息

期刊	CVPR
年份	2023
论文地址	https://browse.arxiv.org/pdf/2207.05921.pdf
代码地址	https://github.com/moothes/A2S-v2

标题

基于纹理引导的显著性提取的无监督显著性目标检测

目前存在的问题

1. 大多数基于深度学习(Deep learning, DL-based)的方法都是基于传统SOD方法提取的显著性线索。这些手工制作的特征相关线索被用作伪标签，在一定的约束条件下训练深度网络，如二进制交叉熵(BCE)丢失。然而，传统方法的显著性线索往往会偏离目标对象，特别是在复杂场景中
2. 传统的约束条件，如BCE损耗，在完全监督的SOD方法上工作良好，但在拟合无监督方法的噪声标签时就不是最优的
3. 深度网络可以学习从噪声标签中定位显著区域[80]，但仍然难以找到目标物体的精确边界

改进

1. 为了从噪声标签中挖掘出丰富而准确的显著性知识，我们提出了一种基于信心感知的显著性提取方法(CSD)，突破了现有方法无法利用硬样本的局限性。
2. 我们提出了一种边界感知纹理匹配(boundary -aware Texture Matching, BTM)，通过匹配不同空间的纹理来细化预测显著性映射的边界。

网络结构

另一个写的好的参考

网址