CoDo：面向检测的下游背景不变性对比学习
计算机视觉与模式识别
2022-05-11 v1 人工智能
摘要
先前的自监督学习研究主要选择图像级实例判别作为 pretext task（预训练任务）。它取得了与监督学习方法相媲美的出色分类性能。然而，在目标检测等下游任务上的迁移性能有所下降。为弥补性能差距，我们提出了一种新颖的对象级自监督学习方法，称为面向检测的下游背景不变性对比学习（CoDo）。该预训练任务被转化为专注于针对不同背景（尤其是下游数据集）的实例定位建模。背景不变性能力被认为对目标检测至关重要。首先，提出一种数据增强策略，将实例粘贴到背景图像上，然后抖动边界框以引入背景信息。其次，我们实现了预训练网络与主流检测流水线之间的架构对齐。第三，设计了分层多视图对比学习以提升视觉表示学习的性能。在 MSCOCO 上的实验表明，所提出的 CoDo 配合常用骨干网络 ResNet50-FPN，在目标检测上产生了强大的迁移学习效果。
引用
@article{arxiv.2205.04617,
title = {CoDo: Contrastive Learning with Downstream Background Invariance for Detection},
author = {Bing Zhao and Jun Li and Hong Zhu},
journal= {arXiv preprint arXiv:2205.04617},
year = {2022}
}
备注
CVPR2022 workshop