基于全卷积网络的自监督学习
计算机视觉与模式识别
2020-12-21 v1
摘要
尽管基于深度学习的方法在许多计算机视觉任务中取得了巨大成功，但其性能依赖于大量难以获取的密集标注样本。本文关注从无标签数据中学习表征以用于语义分割的问题。受两种基于图像块的方法启发，我们提出了一种新颖的自监督学习框架，将拼图问题表述为逐块分类过程，并使用全卷积网络求解。通过学习求解由25个图像块组成的拼图问题，并将学到的特征迁移到Cityscapes数据集上的语义分割任务，我们相比从随机值初始化的基线模型取得了5.8个百分点的提升。此外，实验表明我们的自监督学习方法可应用于不同数据集和模型。特别地，我们在PASCAL VOC2012数据集上仅使用显著更少的训练图像，便取得了与最先进方法具有竞争力的性能。
引用
@article{arxiv.2012.10017,
title = {Self-supervised Learning with Fully Convolutional Networks},
author = {Zhengeng Yang and Hongshan Yu and Yong He and Zhi-Hong Mao and Ajmal Mian},
journal= {arXiv preprint arXiv:2012.10017},
year = {2020}
}