无标签条件下利用大规模生成模型进行目标分割
机器学习
2021-06-14 v2 计算机视觉与模式识别
机器学习
摘要
近期无监督与自监督学习的兴起显著减少了对标注数据的依赖，为迁移至下游视觉任务提供了有效的图像表示。此外，近期工作在完全无监督设置中将这些表示用于图像分类，也减少了微调阶段对人类标签的需求。本工作表明，大规模无监督模型也能执行更具挑战性的目标分割任务，既不需要像素级也不需要图像级标注。具体而言，我们展示了近期的无监督 GANs 能够区分前景/背景像素，提供高质量的显著性掩码。通过在标准基准上的广泛对比，我们优于现有的无监督目标分割方案，达到了新的 state-of-the-art（SOTA）。
引用
@article{arxiv.2006.04988,
title = {Object Segmentation Without Labels with Large-Scale Generative Models},
author = {Andrey Voynov and Stanislav Morozov and Artem Babenko},
journal= {arXiv preprint arXiv:2006.04988},
year = {2021}
}