群体协同学习在共显著目标检测中的应用

我们提出了一种新颖的群体协同学习框架（GCoNet），该框架能够在实时（16毫秒）检测共显著对象，同时基于两个必要准则在群体层面挖掘共识表示：1) 群体内紧凑性，通过我们的新型群体亲和模块捕捉共显著对象的内在共享属性，从而更好地表述它们之间的一致性；2) 群体间可分离性，通过引入新的群体协作模块来调节不一致的共识，有效抑制噪声对象对输出的影响。为了在不增加额外计算开销的情况下学习更好的嵌入空间，我们显式地采用了辅助分类监督。我们在三个具有挑战性的基准数据集上进行了广泛的实验，即CoCA、CoSOD3k和Cosal2015，结果表明我们的简单GCoNet优于10个最先进的模型，并达到了新的最先进水平。本文还在多个重要的下游计算机视觉应用中展示了新的技术贡献，包括内容感知共分割、基于共定位的自动缩略图生成等。