面向自监督视觉表征学习的语义一致特征搜索
计算机视觉与模式识别
2022-12-14 v1
摘要
在对比自监督学习中，学习判别性表征的常用方法是拉近同一图像的不同增强“视图”而推远所有其他图像，这已被证明是有效的。然而，在增强过程中不可避免地会构造出包含不同语义概念的不期望视图。在特征空间中无差别地将这些增强拉近会损害表征的语义一致性。在本研究中，我们引入特征级增强并提出一种新颖的语义一致特征搜索(SCFS)方法来缓解此负面效应。SCFS 的主要思想是自适应地搜索语义一致特征，以增强不同增强中语义一致区域间的对比。因此，训练后的模型能学会聚焦于有意义的目标区域，提升语义表征能力。在不同数据集与任务上开展的广泛实验表明，SCFS 有效提升了自监督学习的性能，并在不同下游任务上取得了最先进的(state-of-the-art)性能。
引用
@article{arxiv.2212.06486,
title = {Semantics-Consistent Feature Search for Self-Supervised Visual Representation Learning},
author = {Kaiyou Song and Shan Zhang and Zihao An and Zimeng Luo and Tong Wang and Jin Xie},
journal= {arXiv preprint arXiv:2212.06486},
year = {2022}
}