通过无监督自适应发现物体关键点

本文提出一种缓解物体关键点检测器无监督学习难度的方法。与先前方法类似，我们的方法完全无监督，即它不需要也不使用目标物体类别的标注关键点。与先前工作相反，我们确实假设一个已经以完全监督方式为目标物体类别学习到结构化表示的检测器是可用的。在此设置下，我们的主要思想归结为以完全无监督方式将给定的预训练网络适配到目标物体类别。为此，我们的方法使用预训练网络作为在训练期间保持冻结且不更新的核心，并以无监督方式仅学习一个投影矩阵来完成向目标类别的适配。通过建立在以监督方式学习到的现有结构化表示之上，我们的方法所解决的优化问题受到更多约束，且需学习的参数显著更少，这似乎对于无监督学习的情况十分重要。我们展示了我们的方法超越了从头训练的完全无监督技术以及基于微调的强基线，并在多个数据集上产生了最先进的结果。代码可在 https://github.com/ESanchezLozano/SAIC-Unsupervised-landmark-detection-NeurIPS2019 找到。