【源头活水】顶刊解读！IEEE T-PAMI （CCF-A，IF 23.6）2024年46卷第一期

“问渠那得清如许，为有源头活水来”，通过前沿领域知识的学习，从其他研究领域得到启发，对研究问题的本质有更清晰的认识和理解，是自我提高的不竭源泉。为此，我们特别精选论文阅读笔记，开辟“源头活水”专栏，帮助你广泛而深入的阅读科研文献，敬请关注！

Volume 46, Number 1, January 2024，46卷第一期，第三部分31-36

科学与技RGB-D显著性物体检测

1. L. Li et al., "Robust Perception and Precise Segmentation for Scribble-Supervised RGB-D Saliency Detection," in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 46, no. 1, pp. 479-496, Jan. 2024, 

doi: 10.1109/TPAMI.2023.3324807.

RGB-D显著性物体检测、基于用户涂鸦交互的分割

https://ieeexplore.ieee.org/document/10288361

本文提出了一种基于用户涂鸦交互的弱监督RGB-D显著性目标检测方法，以缓解像素级标注带来的标注负担。鉴于随之而来的性能下降，总结了基于用户涂鸦交互的弱监督方式两个天然缺陷并试图缓解它们，即像素训练样本(WRPS)的丰富度弱和显著物体(PSIO)的结构完整性差。WRPS阻碍了鲁棒的显著性感知学习，可以通过鲁棒特征学习的模型设计和训练样本丰富的伪标签生成来缓解。具体而言，首先设计了动态搜索过程模块作为元操作进行多尺度多模态特征融合，用于鲁棒的RGB-D显著性目标检测模型构建；然后，提出双分支一致性学习机制，生成足够的像素训练样本进行鲁棒的显著性感知学习；PSIO使得直接的结构学习变得不可行，因为涂鸦不能提供完整的结构监督。因此，本文提出了一种边缘-区域结构细化损失来恢复结构信息并进行精确分割。部署了所有组件并在两个基线上进行消融研究，以验证其有效性和通用性。在8个数据集上的实验结果表明，该方法优于其他基于scribble的SOD模型，并取得了与全监督最先进方法相当的性能。

单目深度估计、自监督学习<