通过分布估计自动化自监督变换策略
计算机视觉与模式识别
2021-11-25 v1
摘要
在近期的视觉自监督工作中，通过为变换或增强后的输入图像分配标签，建立了一种模仿分类的目标，称为前置任务。前置任务的目标可以是预测对图像应用了何种变换。然而，据观察，数据集中已存在的图像变换在学习此类自监督表示时可能效果较差。基于这一观察，我们提出了一种基于生成对抗网络的框架，以自动寻找输入数据集中不存在的、因而对自监督学习有效的变换。这种自动化策略允许估计数据集的变换分布，并构建其互补分布，从中采样训练对用于前置任务。我们使用多个视觉识别数据集评估了我们的框架，以展示自动化变换策略的有效性。
引用
@article{arxiv.2111.12265,
title = {Distribution Estimation to Automate Transformation Policies for Self-Supervision},
author = {Seunghan Yang and Debasmit Das and Simyung Chang and Sungrack Yun and Fatih Porikli},
journal= {arXiv preprint arXiv:2111.12265},
year = {2021}
}
备注
NeurIPS 2021 Workshop: Self-Supervised Learning - Theory and Practice