分类: 计算机科学 >> 计算机科学的集成理论 提交时间: 2018-12-13 合作期刊: 《计算机应用研究》
摘要: 针对获得训练数据集代价高昂问题,提出了一种用于图片显著性检测的弱监督新方法,在训练网络模型时仅使用图片级标签。方法分为两个阶段,在第一阶段,根据图片级标签训练分类模型,获得前景推断图;在第二阶段,对原图片进行超像素块处理,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。