CuVLER：通过穷举自监督 Transformer 增强无监督目标发现
计算机视觉与模式识别
2024-03-13 v1
摘要
在本文中，我们介绍了 VoteCut，这是一种用于无监督目标发现的创新方法，它利用了来自多个自监督模型的特征表示。VoteCut 采用了基于归一化割的图划分、聚类以及像素投票方法。此外，我们提出了 CuVLER（Cut-Vote-and-LEaRn），这是一个零样本模型，使用由 VoteCut 生成的伪标签和一种新颖的软目标损失进行训练，以提高分割精度。通过对多个数据集和多种无监督设置进行严格评估，我们的方法与之前的最先进模型相比展现出了显著的改进。我们的消融研究进一步突出了每个组件的贡献，揭示了我们方法的鲁棒性与有效性。总而言之，VoteCut 和 CuVLER 为图像分割的未来发展铺平了道路。
引用
@article{arxiv.2403.07700,
title = {CuVLER: Enhanced Unsupervised Object Discoveries through Exhaustive Self-Supervised Transformers},
author = {Shahaf Arica and Or Rubin and Sapir Gershov and Shlomi Laufer},
journal= {arXiv preprint arXiv:2403.07700},
year = {2024}
}
备注
Accepted to CVPR 2024