FreeSOLO：无需标注学习分割物体
计算机视觉与模式识别
2022-04-26 v2
摘要
实例分割是一项基础视觉任务，旨在识别并分割图像中的每个物体。然而，它需要边界框与分割掩码等昂贵标注用于学习。在本工作中，我们提出一种完全无监督学习方法，无需任何标注即可学习类无关的实例分割。我们提出FreeSOLO，一个构建于简单实例分割方法SOLO之上的自监督实例分割框架。我们的方法还提出了一种新颖的局部感知预训练框架，其中物体可以以无监督方式从复杂场景中被发现。FreeSOLO在具有挑战性的COCO数据集上取得9.8%的AP_{50}，甚至优于若干使用人工标注的分割提议方法。我们首次成功展示了无监督类无关实例分割。FreeSOLO的边界框定位显著优于最先进的无监督物体检测/发现方法，在COCO AP上相对提升约100%。FreeSOLO进一步展现出作为强预训练方法的优越性，在仅用5% COCO掩码微调实例分割时，比最先进自监督预训练方法高出+9.8% AP。代码见：github.com/NVlabs/FreeSOLO
引用
@article{arxiv.2202.12181,
title = {FreeSOLO: Learning to Segment Objects without Annotations},
author = {Xinlong Wang and Zhiding Yu and Shalini De Mello and Jan Kautz and Anima Anandkumar and Chunhua Shen and Jose M. Alvarez},
journal= {arXiv preprint arXiv:2202.12181},
year = {2022}
}
备注
13 pages. Accepted to IEEE/CVF Conf. Comp. Vision Pattern Recognition (CVPR) 2022