显式单应性估计改进对比自监督学习
计算机视觉与模式识别
2021-01-14 v1 机器学习
摘要
典型的对比自监督算法通过在隐空间中使用相似度度量作为监督信号，直接或间接对比正样本与负样本图像。尽管自监督算法的效用近来有所提升，仍存在阻碍其广泛使用的瓶颈，例如所需的计算量。本文提出一个模块，作为自监督对比学习范式中的附加目标。我们展示了在原有对比目标之外，加入该模块以回归仿射变换或单应性(homography)的参数，如何同时提升性能与学习速度。重要的是，我们确保该模块不强制对仿射变换各分量保持不变性，因为这并非总是理想的。我们在两种近期流行的自监督算法上证明了该附加目标的有效性。我们对所提方法进行了广泛的实验分析，并显示出在所有考虑的数据集上性能均有提升。进一步，我们发现尽管一般单应性与仿射变换均足以改进性能与收敛，仿射变换在所有情况下表现更优。
引用
@article{arxiv.2101.04713,
title = {Explicit homography estimation improves contrastive self-supervised learning},
author = {David Torpey and Richard Klein},
journal= {arXiv preprint arXiv:2101.04713},
year = {2021}
}