[论文解读] Confidence-Aware Learning for Camouflaged Object Detection

Jiawei Liu, Jing Zhang+1 more|arXiv (Cornell University)|Jun 22, 2021

Visual Attention and Saliency Detection参考文献 52被引用 15

一句话总结

本文提出了一种针对伪装目标检测的置信度感知学习框架，通过利用预测结果与真实标签之间差异所导出的动态监督，联合训练检测网络与置信度估计网络。该方法生成像素级置信度图，引导模型关注困难/不确定区域，从而提升检测精度，并在推理阶段无需真实标签即可实现模型无关的不确定性解释。

ABSTRACT

Confidence-aware learning is proven as an effective solution to prevent networks becoming overconfident. We present a confidence-aware camouflaged object detection framework using dynamic supervision to produce both accurate camouflage map and meaningful "confidence" representing model awareness about the current prediction. A camouflaged object detection network is designed to produce our camouflage prediction. Then, we concatenate it with the input image and feed it to the confidence estimation network to produce an one channel confidence map.We generate dynamic supervision for the confidence estimation network, representing the agreement of camouflage prediction with the ground truth camouflage map. With the produced confidence map, we introduce confidence-aware learning with the confidence map as guidance to pay more attention to the hard/low-confidence pixels in the loss function. We claim that, once trained, our confidence estimation network can evaluate pixel-wise accuracy of the prediction without relying on the ground truth camouflage map. Extensive results on four camouflaged object detection testing datasets illustrate the superior performance of the proposed model in explaining the camouflage prediction.

研究动机与目标

• 解决伪装目标与背景外观相似时难以检测的问题，尤其是边界定位困难的问题。
• 克服深度网络在预测中对困难或模糊区域过度自信的问题。
• 设计一个置信度估计网络，生成反映模型自身认知能力的像素级不确定性图，且在推理阶段无需依赖真实标签。
• 通过置信度感知学习，引导损失函数更关注低置信度、难以检测的区域，从而提升检测性能。
• 通过生成可解释的置信度图，实现模型预测的可解释性，突出显示误报、欠分割和边界错误。

提出的方法

• 设计一种相互依赖的架构，包含伪装目标检测网络与独立的置信度估计网络。
• 将输入图像与检测网络的输出拼接后输入置信度估计网络，生成单通道置信度图。
• 利用检测网络预测结果与真实伪装图之间的L1差异，生成置信度网络的动态监督信号。
• 将估计的置信度图作为损失函数中的加权掩码，增强训练过程中对困难/低置信度像素的关注。
• 在结构损失中引入置信度引导的注意力机制，使检测网络更聚焦于不确定区域。
• 引入一个动态超参数λD，实现自适应损失加权，随训练进度动态调整，提升初期训练稳定性与后期优化精度。

实验结果

研究问题

• RQ1 在推理阶段无需真实标签的前提下，动态置信度监督能否有效提升伪装目标检测中的不确定性估计？
• RQ2 置信度感知学习在边界模糊或部分目标结构不完整等困难样本上的检测性能有何影响？
• RQ3 在无真实标签的情况下，估计的置信度图在多大程度上可作为模型不确定性与预测质量的可靠代理？
• RQ4 自适应置信度加权（λD）对训练稳定性与最终检测精度有何影响？
• RQ5 置信度图是否能有效突出显示误报、欠分割与边界错误，从而指导模型优化？

主要发现

• 所提方法在四个基准伪装目标检测数据集上达到最先进性能，展现出更高的精度与更强的鲁棒性。
• 训练后网络生成的置信度图即使在无真实标签的情况下，也能有效突出显示误报区域、欠分割区域与边界错误。
• 动态监督策略使置信度网络能够为分类错误区域分配高不确定性，为正确预测分配高置信度，从而降低模型过度自信现象。
• 置信度图在训练过程中动态演化：随着预测性能提升，高不确定性区域逐渐缩小，模型逐步恢复最初遗漏的目标部分。
• 固定λ=10的性能优于λ=3、5及动态λD，表明更高的、稳定的置信度加权能更有效地提升对不确定区域的学习效果。
• 置信度估计网络可作为可靠的评估工具——其输出与预测质量高度相关，且无需真实标签即可指导模型解释。