关注不确定的区域!ANU提出《OCENet》,基于偶然不确定性进行伪装目标检测!代码已开源!(WACV2022)
关注公众号,发现CV技术之美
本篇分享 WACV 2022 论文『Modeling Aleatoric Uncertainty for Camouflaged Object Detection』,关注不确定的区域!ANU 提出 OCENet,基于偶然不确定性进行伪装目标检测!代码已开源!
详细信息如下:
- 论文地址:https://openaccess.thecvf.com/content/WACV2022/papers/Liu\_Modeling\_Aleatoric\_Uncertainty\_for\_Camouflaged\_Object\_Detection\_WACV\_2022\_paper.pdf[1]
- 代码地址:https://github.com/Carlisle-Liu/OCENet[2]
01
摘要
对于伪装物体检测,由于伪装前景和背景的外观相似,很难获得高精度的标注,尤其是物体边界周围的标注。作者认为,直接使用“嘈杂”的伪装图进行训练可能会导致泛化能力较差的模型。在本文中,作者引入了一种显式的偶然不确定性估计技术来表示由于噪声标记而产生的预测不确定性。
具体而言,作者提出了一种使用动态监督的感知伪装对象检测 (COD) 框架,以产生准确的伪装图和可靠的 “偶然不确定性”。与根据点估计pipeline生成确定性预测的现有技术不同,本文的框架将偶然不确定性形式化为模型输出和输入图像上的概率分布。
经过训练后,本文的置信度估计网络可以评估预测的像素精度,而无需依赖ground truth图像。大量结果表明,所提出的模型在解释伪装预测方面具有优越的性能。
02
Motivation
深度学习系统在实际应用中很受欢迎,例如自动驾驶。然而,这种深度神经网络(DNN)模型的故障可能会导致灾难性后果,对其可靠性提出质疑。因此,能够根据不确定性解释DNN模型预测至关重要。
现有深度神经网络中存在两种主要类型的不确定性,即表示数据分布中固有噪声的偶然不确定性(aleatoric uncertainty),例如标注模糊性和捕捉模型预测中不确定性的认知不确定性(epistemic uncertainty)。通过有足够的数据观察,可以减少认知不确定性。
已经做了大量的研究来模拟这两种不确定性。他们通常采用贝叶斯神经网络(BNN)框架。用于不确定性估计的BNN的主要问题是难以处理的后验推理,因此大多数现有的不确定性估计技术都集中于设计近似的后验推理。
伪装被定义为一种状态,在这种状态下,物体具有与周围环境无法识别的伪装外观,这是动物界广泛应用的一种隐藏自己的技术,欺骗捕食者做出错误判断。这是通过各种伪装技术实现的。这种自然现象也激发了艺术伪装的发展,例如军事伪装。伪装动物的不可区分性对标注提出了巨大挑战,标注更容易出现嘈杂的标签。作者提出通过模拟偶然不确定性来捕捉这种标注不一致性。
偶然不确定性估计的现有技术涉及一个额外的方差估计模块来表示偶然不确定性。在错误预测时最大化无界方差,以最小化损失,并采用L2正则化,以防止其变得非常大。
不同的是,作者提出了一种创新的在线置信度估计网络(OCENet)来模拟伪装目标检测中的偶然不确定性。作者动态推导预测和ground truth之间的差异,作为OCENet内不确定性估计模块的监督。通过这种设置,本文的OCENet能够将错误分类的区域识别为不确定区域,并将低不确定值分配给正确预测的区域。如上图所示,本文的估计置信度图能够将高度不确定性分配给欠分割、过分割、幻影分割。
本文的主要贡献为:
作者提出了一种创新的在线置信度估计网络(OCENet)来建模偶然不确定性,用于伪装目标检测。它输出像素级的不确定性,显示true-negative预测和false-positive预测,以防止网络overconfident; 本文的OCENet在不依赖ground truth的情况下提供了预测的初步评估; 作者进一步提出了一种困难感知学习伪装目标检测框架,以有效利用偶然不确定性进行难例挖掘。实验结果表明,本文的模型在解释模型预测方面具有优越的性能。
03
方法
3.1. Overview
作为一个二进制分割网络,伪装目标检测模型通常遵循给定输入图像回归伪装图的传统做法。作者引入了一个相互监督的伪装目标检测学习框架来直接建模任意不确定性。本文的框架中包括两个主要模块,即用于生成伪装图的伪装目标检测网络(CODNet)和用于明确估计当前预测中任意不确定性的在线可信度估计网络(OCENet)。作者在上图中展示了本文的框架。
3.2. Camouflaged Object Detection Network
3.3. Online Confidence Estimation Network
3.4. Dynamic Uncertainty Supervision
3.5. Uncertainty-Aware Learning
04
实验
05
总结
参考资料
[1]https://openaccess.thecvf.com/content/WACV2022/papers/Liu_Modeling_Aleatoric_Uncertainty_for_Camouflaged_Object_Detection_WACV_2022_paper.pdf
[2]https://github.com/Carlisle-Liu/OCENet
END
欢迎加入「目标检测」交流群👇备注:OD
最新评论
推荐文章
作者最新文章
你可能感兴趣的文章
Copyright Disclaimer: The copyright of contents (including texts, images, videos and audios) posted above belong to the User who shared or the third-party website which the User shared from. If you found your copyright have been infringed, please send a DMCA takedown notice to [email protected]. For more detail of the source, please click on the button "Read Original Post" below. For other communications, please send to [email protected].
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。