解耦与去位置化的稠密自监督学习
计算机视觉与模式识别
2023-03-31 v1 机器学习
摘要
稠密自监督学习（SSL）方法解决了在处理含多个物体的图像时使用图像级特征表示的局限。尽管通过采用分割图与边界框提取的稠密特征使网络能对每一物体进行 SSL，我们表明它们受到耦合与位置偏置的困扰，这源于感受野随层深增加而扩大以及零填充。我们通过引入三种数据增强策略来解决此问题，并将其用于（i）一个解耦模块，旨在使网络对物体周边环境变化鲁棒；以及（ii）一个去位置化模块，鼓励网络丢弃物体的位置信息。我们在 COCO 与一个具挑战性的新基准 OpenImage-MINI 上展示了我们的方法在物体分类、语义分割与物体检测上的优势。我们大量实验证明了相较 SOTA 稠密 SSL 方法，我们的方法具有更好的泛化性。
引用
@article{arxiv.2303.16947,
title = {De-coupling and De-positioning Dense Self-supervised Learning},
author = {Congpei Qiu and Tong Zhang and Wei Ke and Mathieu Salzmann and Sabine Süsstrunk},
journal= {arXiv preprint arXiv:2303.16947},
year = {2023}
}