从关键点到物体地标：基于自训练对应的无监督地标发现新方法
计算机视觉与模式识别
2023-02-28 v2
摘要
本文提出一种无监督学习物体地标检测器的全新范式。与现有基于图像生成或等变性等辅助任务的方法不同，我们提出一种自训练方法：从通用关键点出发，训练地标检测器与描述子以自我改进，将关键点调优为具有判别力的地标。为此，我们提出一种迭代算法，在通过特征聚类生成新伪标签与通过对比学习为每个伪类别学习判别性特征之间交替进行。借助地标检测器与描述子共享的骨干网络，关键点位置逐步收敛至稳定地标，并过滤掉较不稳定的那些。相较以往工作，我们的方法所学得的点在捕捉大视角变化方面更具灵活性。我们在LS3D、BBCPose、Human3.6M及PennAction等多个困难数据集上验证了方法，取得了新的最先进结果。
引用
@article{arxiv.2205.15895,
title = {From Keypoints to Object Landmarks via Self-Training Correspondence: A novel approach to Unsupervised Landmark Discovery},
author = {Dimitrios Mallis and Enrique Sanchez and Matt Bell and Georgios Tzimiropoulos},
journal= {arXiv preprint arXiv:2205.15895},
year = {2023}
}