自监督学习探索：对象分类的数据组成测试
计算机视觉与模式识别
2024-12-03 v1
摘要
本文探讨了使用具有不同图像特征的数据进行采样和预训练对自监督学习（SSL）模型在对象分类任务中性能的影响。为此，我们根据图像的模态、亮度、图像大小和相机视场等特征从Omnidata平台上采样两个公寓数据集，并用于预训练 SimCLR 模型。随后，将从预训练模型生成的编码迁移到用于对象分类的监督 ResNet-50 模型。通过 A/B 测试，我们发现深度预训练模型在低分辨率图像上更有效，而 RGB 预训练模型在高分辨率图像上表现更好。我们还发现增加训练图像的亮度可以在不负面影响高分辨率图像性能的情况下，提高模型在低分辨率图像上的性能。
引用
@article{arxiv.2412.00770,
title = {Explorations in Self-Supervised Learning: Dataset Composition Testing for Object Classification},
author = {Raynor Kirkson E. Chavez and Kyle Gabriel M. Reynoso},
journal= {arXiv preprint arXiv:2412.00770},
year = {2024}
}