Uncertainty-aware Joint Salient Object and Camouflaged Object Detection

Li_Uncertainty-Aware_Joint_Salient_Object_and_Camouflaged_Object_Detection_CVPR_2021_paper.pdf

GitHub - JingZhang617/Joint_COD_SOD

论文阅读：Uncertainty-aware Joint Salient Object and Camouflaged Object Detection_xiongxyowo的博客-CSDN博客

Uncertainty-aware Joint Salient Object and Camouflaged Object Detection阅读笔记_Ma lidong的博客-CSDN博客

1. 这篇文章提出了一种数据集扩充策略, 将伪装数据集中的简单样本作为显著性检测的困难样本，实现了一个鲁棒的显著性模型。
2. 在对抗式学习框架下引入第一个联合显著目标检测和伪装目标检测网络，明确建模每个任务的预测不确定性。

数据扩充

高质量的数据集对于网络的性能有较大的影响。而对于这两个任务：显著目标检测与伪装目标检测都是要把图中感兴趣的那个东西给标出来，区别在于：

• 显著目标的前景与背景往往差别很大，此所谓“显著”
• 伪装目标的前景与背景往往十分相似，否则就不存在“伪装”的说法

这么乍一分析，感觉对于同一张图片，两个任务的标注对象应该不一样，但如果打开COD数据集一个个去看的话，会发现下面这种例子：

为此，我们利用COD数据集中的简单正样本作为SOD任务中的困难正样本，以提高SOD模型的鲁棒性。最终作者是挑了400对样本（猜测是MAE从小到大排序到400差不多还能用），然后随机替换掉原有SOD数据集中的400组图片，来作为新的SOD数据集。本文使用SOD网络对COD数据集进行Inference, 寻找到MAE小的, 说明原有的SOD模型也能处理的比较好, 是简单正样本.

Contradicting modeling

其中:

• $X^s$ : SOD数据集中的图像
• $X^c$ : COD数据集中的图像
• $E_{\alpha_{s}}$ : 用于SOD的Encoder，backbone为ResNet50