DetCo：用于目标检测的无监督对比学习
计算机视觉与模式识别
2021-07-26 v2
摘要
无监督对比学习在用 CNN 学习图像表示方面取得了巨大成功。与近期大多数聚焦于提升图像分类精度的方法不同，我们提出一种名为 DetCo 的新型对比学习方法，其充分挖掘全局图像与局部图像块之间的对比，以学习目标检测的判别性表示。DetCo 具有若干吸引人的优势。（1）它通过考察当前自监督方法的弱点而精心设计的，这些方法丢弃了目标检测所需的重要表示。（2）DetCo 在全局图像与局部块之间构建分层中间对比损失以改进目标检测，同时保持用于图像识别的全局表示。理论分析表明，局部块实际上去除了图像的上下文信息，提升了互信息的下界以利于更好的对比学习。（3）在 PASCAL VOC、COCO 和 Cityscapes 上的大量实验表明，DetCo 不仅在目标检测上优于最先进的方法，在分割、姿态估计和 3D 形状预测上也如此，同时在图像分类上仍具竞争力。例如，在 PASCAL VOC 上，DetCo-100ep 取得 57.4 mAP，与 MoCov2-800ep 的结果相当。此外，在 1x schedule 下，DetCo 在 Mask RCNN-C4/FPN/RetinaNet 上分别以 1.6/1.2/1.0 AP 持续优于监督方法。代码将发布于 \href{https://github.com/xieenze/DetCo}{\color{blue}{\tt github.com/xieenze/DetCo}}。
引用
@article{arxiv.2102.04803,
title = {DetCo: Unsupervised Contrastive Learning for Object Detection},
author = {Enze Xie and Jian Ding and Wenhai Wang and Xiaohang Zhan and Hang Xu and Peize Sun and Zhenguo Li and Ping Luo},
journal= {arXiv preprint arXiv:2102.04803},
year = {2021}
}
备注
ICCV 2021