增强无监督实例分段与目标检测中的目标发现：COLER 方法
计算机视觉与模式识别
2025-12-15 v2
摘要
我们提出了一种用于无监督实例分段和目标检测的简单方法——COLER（Cut-Once-and-LEaRn）。COLER 首先使用我们开发的 CutOnce 生成粗糙的伪标签，然后使检测器能够从这些掩码中学习。CutOnce 只应用一次归一化割割（NCut），且不依赖任何聚类方法（如 K 均值），但能够在图像中生成多个目标掩码。我们的工作为 NCut 在多目标分段中的应用开辟了新的方向。我们设计了若干新颖且简单的模块，不仅使 CutOnce 充分利用自监督模型的目标发现能力，还使其摆脱对掩码后处理的依赖。在训练期间，COLER 无需为伪标签设计专门的损失函数即可实现卓越的性能，并且通过自训练进一步提升其性能。COLER 是一个零样本无监督模型，在多个基准测试中超越了以往的最先进方法。我们相信我们的 метод可以推动无监督目标定位领域的发展。代码已公开：https://github.com/Quantumcraft616/COLER。
引用
@article{arxiv.2508.02386,
title = {Enhancing Object Discovery for Unsupervised Instance Segmentation and Object Detection},
author = {Xingyu Feng and Hebei Gao and Hong Li},
journal= {arXiv preprint arXiv:2508.02386},
year = {2025}
}