用于对比表示学习的中心化局部图像混合
计算机视觉与模式识别
2021-10-19 v3
摘要
基于实例判别的对比学习训练模型以区分锚样本与其他样本的不同变换，未考虑样本间的语义相似性。本文提出一种名为 CLIM 的新型对比学习方法，其使用来自数据集中其他样本的正样本。这通过搜索锚的局部相似样本，并选择更靠近对应聚类中心的样本来实现，我们称之为中心化局部图像选择。所选样本通过数据混合策略实例化，起到平滑正则化作用。因此，CLIM 以鲁棒方式同时鼓励局部相似性与全局聚合，我们发现这有益于特征表示。此外，我们引入多分辨率增强，使表示具有尺度不变性。我们在 ResNet-50 上以线性评估取得 75.5% 的 top-1 准确率，并在仅以 1% 标签微调时取得 59.3% 的 top-1 准确率。
引用
@article{arxiv.2011.02697,
title = {Center-wise Local Image Mixture For Contrastive Representation Learning},
author = {Hao Li and Xiaopeng Zhang and Hongkai Xiong},
journal= {arXiv preprint arXiv:2011.02697},
year = {2021}
}
备注
Accepted by BMVC2021