对象追踪：通过判别权重生成构建对象空间
计算机视觉与模式识别
2022-04-05 v3
摘要
我们提出一种持续学习以对象为中心的表示的框架，用于视觉学习与理解。现有的以对象为中心的表示要么依赖将场景中对象个体化的监督，要么执行难以处理真实世界中复杂场景的无监督解耦。为减轻标注负担并放宽对数据统计复杂性的约束，我们的方法利用交互，在学习以对象为中心的表示的同时有效采样对象的多样变化及相应训练信号。在整个学习过程中，对象以未知身份随机顺序逐个流入，并与潜码相关联，这些潜码可通过卷积超网络为每个对象合成判别权重。此外，采用已学对象的再识别与遗忘防止，使学习过程高效且鲁棒。我们对所提框架的关键特征进行了广泛研究，并分析了所学表示的特征。进一步，我们展示了该框架学习到的表示能提升下游任务中标签效率的能力。我们的代码与训练模型公开于：https://github.com/pptrick/Object-Pursuit。
引用
@article{arxiv.2112.07954,
title = {Object Pursuit: Building a Space of Objects via Discriminative Weight Generation},
author = {Chuanyu Pan and Yanchao Yang and Kaichun Mo and Yueqi Duan and Leonidas Guibas},
journal= {arXiv preprint arXiv:2112.07954},
year = {2022}
}
备注
24 pages. This paper has been accepted by ICLR2022 (OpenReview: https://openreview.net/forum?id=lbauk6wK2-y)