Co-saliency Detection via A Self-paced Multiple-instance Learning Framework
T-PAMI 2016
摘要：Co-saliency detection 從一組圖像中提取出共同顯著的物體。一方面，傳統的檢測方法嚴重依賴于手工設計的距離度量來反應協同顯著區域有效的屬性。另一方面，大部分的目前方法都是無監督的。在實際場景中，效果不會很好，因為缺乏一種 robust 的學習機制 來充分利用每一張圖像的 weak labels。為了解決上述問題，本文提出一種 SP-MIL framework 來進行 co-saliency detection，将多示例學習 和 自步學習結合到一個架構中去。特别的，對于第一個問題，将協同顯著檢測 作為 MIL paradigm 來學習具有判别性的分類器，進行 “instance-level” 的 Co-saliency detection。這個 MIL 成分可以使得我們的方法能夠自動的産生合适的距離度量來衡量 intra-image contrast 和 inter-image consistency， 以一種純正的 self-learning way的方式進行檢測。對于第二個問題，the embedded SPL paradigm 能夠在協同顯著性檢測的弱監督的方式下，消除資料的模糊性；并且在複雜場景下，能夠引導魯棒的學習方式。
一個很自然的問題就是需要弄清楚，Co-saliency detection 和 MIL problem 之間的關系，進而在第一個問題的條件下，利用後者以一種 self-learning 的政策去産生 insightful metrics。特别的，在 Co-saliency detection 的問題上，帶有特定種類的協同顯著物體的圖像 可以看做是 positive bags，不帶的，則認為是 negative bags，圖像中超像素區域看做是 instance。在這種情況下，Co-saliency detection 的問題就可以自然的看做是 MIL problem。基礎的，the instance-level MIL 目标是學習分類器，使得 positive instances 和 每一個 positive bags 的 intra-class distance 盡可能的小，而最大化 positive 和 negative instances 的 inter-class distance。通過這種方式學習到的分類器可以用作去預測 Co-salient objects 的位置 in the instance (super-pixel) level。通過執行 MIL 來進行 Co-saliency detection，the insightful metrics