LoDisc：学习全局-局部判别特征用于自监督细粒度视觉识别

自监督对比学习策略因其在表示学习中的卓越能力而引起了广泛关注。然而，当前的对比学习倾向于学习图像的全局粗粒度表示，这有利于通用物体识别，但这种粗粒度特征对于细粒度视觉识别是不够的。在本文中，我们通过一个纯粹的自监督全局-局部细粒度对比学习框架，将微妙的局部细粒度特征学习融入到全局自监督对比学习中。具体来说，提出了一种称为局部判别（LoDisc）的新型前置任务，以明确监督自监督模型关注局部关键区域，这些区域通过一种简单但有效的基于位置掩码的采样策略来捕获。我们表明，LoDisc前置任务可以有效增强重要局部区域中的细粒度线索，并且全局-局部框架进一步细化了图像的细粒度特征表示。在不同细粒度物体识别任务上的大量实验结果表明，所提出的方法可以在不同的评估设置下带来显著的改进。所提出的方法对于通用物体识别任务也是有效的。