大连理工IIAU Lab提出SSLSOD：自监督预训练的RGB-D显著性目标检测模型(AAAI 22)

作者丨Lart

编辑丨极市平台

导读

本文在显著性目标检测任务（SOD）中，首次引入自监督预训练。凭借提出的有效的前置任务（pretext task），在仅使用少量无标签的RGB-D数据进行预训练的情况下，该模型仍能够具有竞争力的表现。

大连理工 IIAU Lab 提出 SSLSOD：自监督预训练的 RGB-D 显著性目标检测模型。该文在显著性目标检测任务（SOD）中，首次引入自监督预训练。凭借提出的有效的前置任务（pretext task），在仅使用少量无标签的RGB-D数据进行预训练的情况下，该模型仍能够具有竞争力的表现。

论文链接：https://arxiv.org/pdf/2101.12482.pdf

工作动机

现有的全监督SOD方法几乎都是采用基于ImageNet预训练的Backbone作为编码器，与解码器（随机初始化）同时进行微调来完成SOD这一下游任务（downstream task)。然而，ImageNet数据量庞大且需要人工标注，对ImageNet的过度依赖会产生许多负面影响。最近几年，自监督学习发展火热，潜力巨大。

对于 RGB-D SOD 任务本身，从特征融合角度，主要涉及跨模态融合以及跨层级融合。然而，现有的 RGB-D SOD 方法主要关注于跨模态融合，并为之设计了各式各样甚至繁琐的结构，却忽略了跨层级融合的设计。从网络结构角度，Saliency map的生成最终是由解码器完成的，倘若跨层级融合不充分，那么即使跨模态融合相当完美，最终的性能也将会大打折扣。RGB与Depth，High-level 与 Low-level 的融合，其根本属性都是一对具有互补属性关系的特征。因此，从互补属性出发，设计一个简单&有效&通用的融合模块是十分有必要的。

解决方案

为了制定合理的自监督预训练任务，我们需要详细分析为何采用 ImageNet 预训练可以在 SOD 获得不错的效果。首先，借助分类任务，经过 ImageNet 预训练的网络其通过类激活图（CAM）可以观察到，对于显著性目标往往有着较高的注意力。在现实生活中，显著性目标在深度位置上，相比于背景也往往有着较明显的对比（Depth）。

为此，利用 Depth Estimation 这一任务，能够帮助编码器提升显著性目标的定位能力。然后，我们列举了一个典型的基于 ImageNet 预训练的 RGB-D 抽象结构图。RGB 与 Depth 同时加载相同的 Classification 的预训练权重，解码器联合两个模态特征完成 SOD 这一相同任务。

类比以上过程，我们首先提出了第一个Pretext task：跨模态自编码器（Cross-modal Auto-encoder）。两模态间的相互预测，能够缩减其之间的 GAP（主要是指 RGB 模态反映了一个场景的外观，而深度模态体现了不同位置的相对空间距离。显著目标可能外观光滑，但深度不同，反之亦然。为了完整地分割目标，我们必须对齐多模态特征，即缩小两种模态之间的差距。跨模态自编码器可以促进 RGB 和深度编码器相互深度感知，使得每个编码器的特征流具有多模态属性，从而实现对齐）。设计 Depth 预测 RGB 的另一个好处是可以挖掘Depth编码器的潜能（越困难的任务往往越有利于上下文信息的挖掘 [Scaling and benchmarking self-supervised visual representation learning, CVPR 2019]。）

接着，我们按照图中类比设计了第二个Pretext task：深度轮廓估计（Depth-contour Estimation）。 该任务的设计来源于三方面：（1）确定的预测任务为模态间的融合提供了条件。（2）Contour 是下游任务的预测图中的一个基本属性，倘若能够有着精准的 Contour Estimation，会极大的缓解下游任务的压力，即仅需完成 Contour 内外的前景/背景分类。（3）Depth-Contour 相比于 RGB-Contour 的背景干扰更少且关于显著性的信息更多。