AugNet：基于图像增强的端到端无监督视觉表示学习
计算机视觉与模式识别
2021-06-14 v1
摘要
迄今为止人工智能的大部分成就都是由监督学习取得的，监督学习需要大量标注训练数据，因而耗费无数人力进行标注。无监督学习是克服此类困难的有效方案之一。在我们的工作中，我们提出 AugNet，一种新的深度学习训练范式，从未标注图片集合中学习图像特征。我们开发了一种方法，通过利用样本增强版本之间的相互关联，将图片间的相似性构建为嵌入空间中的距离度量。我们的实验表明，该方法能够在低维空间中表示图像，并在图像分类和图像相似性比较等下游任务中具有竞争力。具体而言，我们在 STL10 和 CIFAR100 数据集上通过无监督聚类分别取得了超过 60% 和 27% 的准确率。此外，与许多基于深度学习的图像检索算法不同，我们的方法不需要访问外部标注数据集来训练特征提取器，但仍展现出可比甚至更优的特征表示能力以及易用特性。在我们的评估中，该方法在一些域外图像数据集上优于所有最先进的图像检索算法。模型实现的代码可在 https://github.com/chenmingxiang110/AugNet 获取。
引用
@article{arxiv.2106.06250,
title = {AugNet: End-to-End Unsupervised Visual Representation Learning with Image Augmentation},
author = {Mingxiang Chen and Zhanguo Chang and Haonan Lu and Bitao Yang and Zhuang Li and Liufang Guo and Zhecheng Wang},
journal= {arXiv preprint arXiv:2106.06250},
year = {2021}
}