利用色彩通道独立性提升无监督目标检测

对象中心架构能够从视觉场景中提取独特的对象表示，使下游应用能够在对象层面进行操作。类似于基于自编码器的图像模型，对象中心方法是在RGB色彩空间下对图像进行无监督重建损失进行训练。我们挑战了RGB图像是否为计算机视觉中无监督学习的最优色彩空间这一常见假设。我们概念性和实证地表明，其他色彩空间如HSV具有对象中心表示学习所需的关键特性，如对光照变化的鲁棒性。我们进一步表明，当要求模型预测额外色彩通道时，模型表现更佳。具体而言，我们提出将预测目标转换为RGB-S空间，该空间在RGB基础上加入HSV的饱和度分量，显著改善了五个常用评估数据集上的重建和解耦。复合色彩空间的使用几乎没有计算开销，与模型体系结构无关，并且可普遍应用于广泛的视觉计算任务和训练类型。我们的发现鼓励进一步探索计算机视觉任务中除对象中心学习之外的其他应用。