探索集合相似性用于密集自监督表示学习
计算机视觉与模式识别
2022-03-16 v2
摘要
通过考虑空间对应,密集自监督表示学习已在多种密集预测任务上取得优越性能。然而,由于存在许多相似的误导性像素(如背景),像素级对应往往含有噪声。为解决此问题,本文提出探索集合相似性(SetSim)用于密集自监督表示学习。我们将像素级相似性学习推广为集合级相似性学习,以提升鲁棒性,因为集合包含更多语义与结构信息。具体而言,借助视图的注意力特征,我们建立对应集合,从而滤除可能导致错误对应的噪声背景。同时,这些注意力特征能保持同一图像在不同视图间的一致性,以缓解语义不一致。我们进一步搜索集合的跨视图最近邻,并利用结构化邻域信息增强鲁棒性。实证评估表明,SetSim 在目标检测、关键点检测、实例分割与语义分割上优于当前最优方法。
引用
@article{arxiv.2107.08712,
title = {Exploring Set Similarity for Dense Self-supervised Representation Learning},
author = {Zhaoqing Wang and Qiang Li and Guoxin Zhang and Pengfei Wan and Wen Zheng and Nannan Wang and Mingming Gong and Tongliang Liu},
journal= {arXiv preprint arXiv:2107.08712},
year = {2022}
}
备注
10 pages, 4 figures, Accepted by CVPR2022