一种用于无监督表示学习的统一混合视图框架
计算机视觉与模式识别
2022-10-11 v2 机器学习
摘要
近期的无监督对比表示学习遵循单实例多视图(SIM)范式，其中正样本对通常由图像内数据增强构建。本文提出一种称为超越单实例多视图(BSIM)的有效方法。具体而言，我们通过度量两个随机采样实例及其混合体(即伪正样本对)之间的联合相似性，赋予更精确的实例判别能力。我们认为，当编码特征在隐空间中分布更均匀时，学习联合相似性有助于提升性能。我们将其作为无监督对比表示学习的正交改进加以应用，涵盖当前杰出的方法SimCLR、MoCo与BYOL。我们在许多下游基准上评估所学表示，如ImageNet-1k与PASCAL VOC 2007上的线性分类、MS COCO 2017与VOC上的目标检测等。与先前方法相比，我们在几乎所有任务上均以较大幅度获得实质提升。
引用
@article{arxiv.2011.13356,
title = {A Unified Mixture-View Framework for Unsupervised Representation Learning},
author = {Xiangxiang Chu and Xiaohang Zhan and Bo Zhang},
journal= {arXiv preprint arXiv:2011.13356},
year = {2022}
}
备注
BMVC 2022