物体感知的自监督多标签学习
计算机视觉与模式识别
2022-07-14 v2
摘要
图像数据的多标签学习已通过深度学习模型得到广泛利用。然而,深度CNN模型的监督训练往往无法发现足够的判别性特征用于分类。因此,众多自监督方法被提出以学习更鲁棒的图像表示。然而,大多数自监督方法聚焦于单实例单标签数据,在含多物体的更复杂图像上表现不足。为此,我们提出物体感知自监督(OASS)方法,为多标签学习获取更细粒度的表示,基于物体位置动态生成辅助任务。其次,OASS学习到的鲁棒表示可用于以无提议的方式高效生成类特定实例(CSI),以更好地引导多标签监督信号向实例的迁移。在VOC2012数据集上针对多标签分类的大量实验证明了所提方法相对于SOTA同类方法的有效性。
引用
@article{arxiv.2205.07028,
title = {Object-Aware Self-supervised Multi-Label Learning},
author = {Xu Kaixin and Liu Liyang and Zhao Ziyuan and Zeng Zeng and Bharadwaj Veeravalli},
journal= {arXiv preprint arXiv:2205.07028},
year = {2022}
}
备注
Accepted by IEEE International Conference on Image Processing (ICIP 2022)