学习 ABCs：利用近似双射对应以弱监督方式分离变化因子
机器学习
2022-03-31 v4 计算机视觉与模式识别
摘要
表示学习构成了大多数深度学习应用的支柱，而所学表示的价值与其关于不同变化因子的信息内容密切相关。寻找良好的表示取决于监督的性质和学习算法。我们提出了一种新颖的算法，其利用一种弱形式的监督：将数据划分为若干集合，划分依据是某些不活跃（公共）变化因子，这些因素在每个集合的元素间保持不变。我们的关键见解是，通过寻求不同集合元素之间的对应，我们学习到强大的表示，其排除了不活跃的变化因子，并分离出在所有集合中变化的活跃因子。由于聚焦于活跃因子，我们的方法可以利用集合监督与完全无监督数据的混合，这些数据甚至可以属于不同域。我们解决了合成到真实物体姿态迁移这一具有挑战性的问题，且无需任何姿态标注，通过分离出可泛化至类别层面并跨越合成/真实域鸿沟的姿态信息。该方法还可通过增强中间表示来提升监督环境下的性能，并能在实际可获得的集合监督自然图像场景中运行，其中数据量有限且干扰性变化因子更为繁多。
引用
@article{arxiv.2103.03240,
title = {Learning ABCs: Approximate Bijective Correspondence for isolating factors of variation with weak supervision},
author = {Kieran A. Murphy and Varun Jampani and Srikumar Ramalingam and Ameesh Makadia},
journal= {arXiv preprint arXiv:2103.03240},
year = {2022}
}
备注
CVPR 2022. Code: https://github.com/google-research/google-research/tree/master/isolating_factors