[发明专利]基于无监督学习的显著性物体检测方法及系统

说明书

本发明公开了一种基于无监督学习的显著性物体检测方法及系统，所述方法包括：获取目标域样本，所述目标域样本的标签为使用上一轮迭代得到的模型在目标域图像进行预测得到的伪标签；对所述伪标签进行不确定性评估，并进行不确定性排序；根据排序结果，对所述伪标签进行图片级筛选，得到伪标签不确定性低于预设阈值的目标域样本；对所述目标域样本进行像素级伪标签重加权处理，得到用于下一个迭代训练的目标域样本。本发明提供的基于无监督学习的显著性物体检测方法，可以在不依赖人工标签的情况下，在多个显著性物体检测数据集上取得优异的性能，并达到与全监督显著性检测方法相匹敌的能力，大大减轻了显著性物体检测方法对像素级人工标签的依赖性。

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于无监督学习的显著性物体检测方法及系统。

背景技术

近年来，显著性物体检测技术已被作为一项重要图像处理技术被直接应用于众多的业务场景，例如图像编辑、短视频创作、直播等。这些业务都需要利用显著性物体检测技术进行视频压缩、目标检测、视觉跟踪或视频分割等操作。相比传统的显著性物体检测方法，基于全卷积神经网络的显著性物体检测方法，凭借其便捷的可训练能力和高效的计算效率，快速成为了该领域的主流方法，但是这种方法需依赖于大量的逐像素标注图像或视频，并进行大量训练才能达到良好的分割效果，因此会耗费大量人力物力，且标注结果会因为标注者经验产生差异，进而影响后续检测结果的精确度。

为了缓解上述问题，研究人员提出了基于深度无监督学习的显著物体检测方法。方法的主要思路是利用传统显著性物体识别方法所生成的带有噪声的显著性标签进行显著性学习，主要通过噪声建模或伪标签学习学习两种方式实现。但是传统显著性检测方法生成的噪声标签往往难以适用于低对比度、精细物体形态等复杂场景，也无法学习到精细化的显著性特征，阻碍了显著性物体检测工作的更进一步发展。

发明内容

本发明的目的在于提供一种基于无监督学习的显著性物体检测方法及系统，以解决现有显著性物体检测方法无法适用于低对比度、精细物体形态等复杂场景的技术问题。

为了克服上述现有技术中的缺陷，本发明提供了一种基于无监督学习的显著性物体检测方法，包括：

获取目标域样本，所述目标域样本的标签为使用上一轮迭代得到的模型在目标域图像进行预测得到的伪标签；

利用方差评估所述目标域图像在不同数据增强下的显著性预测概率图的一致性，对所述伪标签进行不确定性评估，并根据每个目标域样本的不确定性得分进行不确定性排序；

其中，在不同的数据增强下产生的显著性预测概率图的公式为：

表示目标域图像的显著性预测图；I_t表示目标域图像；α_j(·)表示第j种数据增强方式；表示α_j(·)的逆变换操作；表示生成目标域图像伪标签的模型操作；

利用方差评估显著性概率图的一致性的公式为：

表示目标域图像的方差图；E表示平均运算；表示目标域图像的显著性预测图；N表示数据增强次数；

每个目标域样本的不确定性得分由以下公式获取：

表示目标域图像的不确定性得分；H表示目标域图像的高度；W表示目标域图像的宽度；h表示目标域图像垂直方向的坐标值；w表示目标域图像水平方向的坐标值；表示目标域图像的方差图在坐标(h,w)处的取值；

根据排序结果，对所述伪标签进行图片级筛选，得到伪标签不确定性低于预设阈值的目标域样本；

对所述目标域样本进行像素级伪标签重加权处理，得到用于下一个迭代训练的目标域样本；其中，目标域样本的像素级伪标签重加权权重由以下公式获取：