关注正样本：面向生物多样性监测的自监督学习
计算机视觉与模式识别
2021-08-17 v1 机器学习
摘要
我们致力于解决从未经标注的图像集合中学习自监督表征的问题。现有方法试图通过最大化每张输入图像增强版本之间的相似度，或推测性地挑选负样本来学习有用特征，与之不同，我们还利用了使用静态监测相机拍摄的图像集合中出现的自然变化。为此，我们利用了现成的上下文数据，其编码了输入图像之间的空间与时间关系等信息。我们能够在训练时首先识别高概率正样本对（即那些很可能描绘同一视觉概念的图像），从而学习到对下游监督分类出奇有效的表征。对于全球生物多样性监测这一关键任务，这产生了可适应于有限人工监督下具有挑战性的视觉物种分类任务的图像特征。我们在四个不同的相机陷阱图像集合上、跨三种不同的自监督学习方法族展示了结果，并表明在训练时进行精细的图像选择相比现有基线（如常规自监督训练和迁移学习）具有更优的性能。
引用
@article{arxiv.2108.06435,
title = {Focus on the Positives: Self-Supervised Learning for Biodiversity Monitoring},
author = {Omiros Pantazis and Gabriel Brostow and Kate Jones and Oisin Mac Aodha},
journal= {arXiv preprint arXiv:2108.06435},
year = {2021}
}
备注
ICCV 2021