固定预算对照显示不确定性定向合成未改善伪装目标检测

伪装目标检测需要精确到像素的掩码，但获取标注缓慢且昂贵，因此合成训练图像成为有吸引力的替代方案。然而，在生成预算固定时，应针对真实图像中的哪些区域生成合成数据仍不清楚。我们研究一种不确定性引导的生成策略：聚类未标注真实图像，找出模型最不确定的簇，将合成预算分配到这些簇，并迭代重训模型。在103次训练运行中，按不确定性定向生成并未优于随机分配。五项独立对照进一步说明，这个零结果并非实验假象：定向训练集确实可测量地不同于随机训练集，但差异来自生成预算的集中，而非不确定性集中的位置。所有受测预算集中规则都复现了这一效应；就边界精度而言，将预算投向模型最确定的簇也会出现同样现象。此外，我们发现CHAMELEON存在严重数据污染：其76张图像中有50张重复来自训练数据，而标准重叠检查却报告零重复。这些结果说明，在固定合成数据预算下，已观察到的训练集效应来自预算集中，而非基于不确定性的定向生成。