基于几何集合一致性的自监督图像表示学习
计算机视觉与模式识别
2022-03-30 v1
摘要
我们提出了一种在三维几何一致性指导下进行自监督图像表示学习的方法。我们的直觉是，平滑区域和表面不连续等三维几何一致性先验可能隐含一致的语义或物体边界，并可作为无需语义标签来指导二维图像表示学习的强线索。具体而言，我们将三维几何一致性引入对比学习框架，以强化图像视图间的特征一致性。我们提出使用几何一致性集合作为约束，并相应地调整 InfoNCE 损失。我们表明，我们所学习的图像表示具有通用性。通过将我们预训练的表示在真实世界室内场景数据集上微调用于各种基于二维图像的下游任务（包括语义分割、目标检测和实例分割），我们取得了优于最先进方法的性能。
引用
@article{arxiv.2203.15361,
title = {Self-Supervised Image Representation Learning with Geometric Set Consistency},
author = {Nenglun Chen and Lei Chu and Hao Pan and Yan Lu and Wenping Wang},
journal= {arXiv preprint arXiv:2203.15361},
year = {2022}
}
备注
Accepted by CVPR 2022