Cut-and-LEaRn：面向无监督目标检测与实例分割的切割与学习方法
计算机视觉与模式识别
2023-01-27 v1 人工智能
机器学习
摘要
我们提出 Cut-and-LEaRn (CutLER)，一种用于训练无监督目标检测与分割模型的简单方法。我们利用自监督模型在无监督条件下“发现”物体的特性，并将其放大以在没有任何人工标注的情况下训练出最先进的定位模型。CutLER 首先使用我们提出的 MaskCut 方法为图像中的多个物体生成粗掩码，然后使用我们提出的鲁棒损失函数在这些掩码上学习一个检测器。我们进一步通过在模型自身预测上进行自训练来提升性能。与先前工作相比，CutLER 更简单、兼容不同的检测架构，并且能检测多个物体。CutLER 还是一个零样本无监督检测器，在视频帧、绘画、草图等跨域的 11 个基准上将检测性能 AP50 提升超过 2.7 倍。通过微调，CutLER 可作为少样本检测器，在 COCO 上仅使用 5% 标签训练时，相较 MoCo-v2 在 APbox 上高出 7.3%、在 APmask 上高出 6.6%。
引用
@article{arxiv.2301.11320,
title = {Cut and Learn for Unsupervised Object Detection and Instance Segmentation},
author = {Xudong Wang and Rohit Girdhar and Stella X. Yu and Ishan Misra},
journal= {arXiv preprint arXiv:2301.11320},
year = {2023}
}
备注
Tech report. Project page: http://people.eecs.berkeley.edu/~xdwang/projects/CutLER/. Code is available at https://github.com/facebookresearch/CutLER