InsCLR：利用自监督学习改进实例检索
计算机视觉与模式识别
2021-12-03 v1
摘要
本工作旨在利用自监督学习改进实例检索。我们发现，使用近期发展的自监督（SSL）学习方法（如 SimCLR 和 MoCo）进行微调，未能提升实例检索的性能。在本工作中，我们认识到，为实例检索学习到的表示应当对视角和背景等方面的巨大变化保持不变，而当前 SSL 方法所采用的自增强正样本无法为学习鲁棒的实例级表示提供足够强的信号。为克服该问题，我们提出 InsCLR，一种建立在“实例级”对比之上的新 SSL 方法，通过在训练过程中从 mini-batch 和记忆库中动态挖掘有意义的伪正样本，来学习类内不变性。大量实验表明，InsCLR 在实例检索上取得了与最先进 SSL 方法相似甚至更优的性能。代码见 https://github.com/zeludeng/insclr。
引用
@article{arxiv.2112.01390,
title = {InsCLR: Improving Instance Retrieval with Self-Supervision},
author = {Zelu Deng and Yujie Zhong and Sheng Guo and Weilin Huang},
journal= {arXiv preprint arXiv:2112.01390},
year = {2021}
}
备注
Accepted by AAAI 2022