Page 330 - 《软件学报》2020年第11期

李阳 等:基于对象位置线索的弱监督图像语义分割方法 3645

2.3 生成显著图
注意力图检测出对于分类任务最具有判别性的区域而非物体的全部轮廓(如图 2 所示).因此为了获取更加
准确的对象位置信息,本文提出逐次擦除的显著图获取方法,目的是获取图像中前景对象的位置(该前景对象不
具有语义类别信息).一些显著对象检测算法 [27,28] 的主要问题是,他们不能检测出图像中的多个对象.为了解决
这个问题,本文提出了逐次擦除法来尽可能地识别出图像中存在的所有对象.其具体过程在算法 1 中给出了详
细的描述.
算法 1. 逐次擦除算法.
输入:图像 X,阈值 threshold t (t∈{1,2,3}),颜色均值 RGB mean .
输出:显著图 S.
1: Initialize S=zeros(W×H) //其中,W×H 为图像 X 的尺度
2: For erasing number t∈{1,2,3} do
3: Putting image X into saliency network SD;
4: Obtaining saliency map S t
5: If t=1
6: S=S t
7: Else For each pixel j
j
j
,
8: S = max(S S t j )
9: End If
e
10: X =X(Index(S t ≥threshold t ))=RGB mean
//擦除图像 X 的显著区域,其中 Index(S t ≥threshold t )表示 S t 中大于等于 threshold t 的像素位置索引值
e
11: X=X
12: End For
如图 3 所示,逐次擦除法可以检测出更多的对象.与 AE(adversarial erasing)方法 [22] 相比,逐次擦除除法在不
需要重复训练网络的情况下,能够获取图像中更多的对象位置信息.
在实验中,我们采用了 WSS(weakly supervised saliency) [27] ,DHSN(deep hierarchical saliency network) [28] 两
个方法作为基础显著对象检测模型 SD(saliency detector).WSS 方法基于图像级标注训练显著网络,DHSN 方法
使用不具有语义类别信息的前景标注训练其显著图检测网络.

Fig.3 Procedure of the successive erasing method
图 3 逐次擦除法的过程

2.4 融合注意力图与显著图生成伪像素标注
前面已经提到,注意力图可以为每个语义类别提供该类别对象的位置信息,但是这类信息只能标注出每类
对象最具有判别性的区域;显著图标注图像的前景对象,但是不具有任何类别信息.这两种线索都不足以单独作