深度对比：基于 3DPM 图像的自监督预训练用于采矿物料分类
计算机视觉与模式识别
2022-10-20 v1
摘要
本工作提出了一种新颖的自监督表示学习方法，利用传送带上的采矿物料的 RGB 图像和深度图，在来自 3DPM 传感器（三维粒子测量；估计物料的粒度分布）的图像上无需标签地学习高效表示。传感器生成数据上物料类别的人工标注稀缺且成本高昂。当前，无人工标注的表示学习在采矿物料方面仍未被探索，且未利用传感器生成数据的使用。所提出的方法 Depth Contrast 通过利用深度图和归纳迁移，在 3DPM 数据集上实现无标签的表示自监督学习。所提出的方法在全监督学习设置下优于 ImageNet 迁移学习性能，并取得了 0.73 的 F1 分数。此外，在半监督设置下，当仅使用 20% 的标签进行微调时，所提出的方法取得了 0.65 的 F1 分数，较 ImageNet 迁移学习性能提升 11%。最后，所提出的方法在线性评估中展现出改进的泛化性能。所提出方法的实现可在 GitHub 上获取。
引用
@article{arxiv.2210.10633,
title = {Depth Contrast: Self-Supervised Pretraining on 3DPM Images for Mining Material Classification},
author = {Prakash Chandra Chhipa and Richa Upadhyay and Rajkumar Saini and Lars Lindqvist and Richard Nordenskjold and Seiichi Uchida and Marcus Liwicki},
journal= {arXiv preprint arXiv:2210.10633},
year = {2022}
}
备注
Accepted to CVF European Conference on Computer Vision Workshop(ECCVW 2022)