Monte Carlo Linear Clustering with Single-Point Supervision is Enough for Infrared Small Target Detection

要約

タイトル: 単一点監視を用いたモンテカルロ線形クラスタリングは赤外線小目標検出に十分である

要約:
– シングルフレーム赤外線小目標（SIRST）検出は、赤外線画像上の小さなターゲットを混雑した背景から分離することを目的としています。
– 近年、深層学習ベースの手法は、SIRST検出において有望な性能を発揮していますが、高価なピクセルレベル注釈を必要とする大量のトレーニングデータが必要となります。
– 注釈の負担を減らすために、単一点の監視でSIRST検出を実現する画期的な手法を提案しています。
– この手法の中心となるアイデアは、クラスタリング手法を使用して、与えられた単一点ラベルから各ターゲットのピクセルマスクを回復することです。
– ターゲットは常に非常に異なるため、背景クラッタに伴いますが、クラスタリングプロセスにランダム性を導入することによって、この問題を解決します。
– この ‘Monte Carlo’ クラスタリングアプローチにより、単一点注釈のみの弱い監視に適用することができます。
– 4つのデータセットでの実験結果により、単一点監視によるSIRST検出は、完全に監視されたものと同等のパフォーマンスを発揮することが明らかになりました。

要約(オリジナル)

Single-frame infrared small target (SIRST) detection aims at separating small targets from clutter backgrounds on infrared images. Recently, deep learning based methods have achieved promising performance on SIRST detection, but at the cost of a large amount of training data with expensive pixel-level annotations. To reduce the annotation burden, we propose the first method to achieve SIRST detection with single-point supervision. The core idea of this work is to recover the per-pixel mask of each target from the given single point label by using clustering approaches, which looks simple but is indeed challenging since targets are always insalient and accompanied with background clutters. To handle this issue, we introduce randomness to the clustering process by adding noise to the input images, and then obtain much more reliable pseudo masks by averaging the clustered results. Thanks to this ‘Monte Carlo’ clustering approach, our method can accurately recover pseudo masks and thus turn arbitrary fully supervised SIRST detection networks into weakly supervised ones with only single point annotation. Experiments on four datasets demonstrate that our method can be applied to existing SIRST detection networks to achieve comparable performance with their fully supervised counterparts, which reveals that single-point supervision is strong enough for SIRST detection. Our code will be available at: https://github.com/YeRen123455/SIRST-Single-Point-Supervision.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI