TUSK：任务无关的无监督关键点
计算机视觉与模式识别
2023-01-16 v2 机器学习
摘要
现有的无监督关键点学习方法严重依赖于特定关键点类型（例如肘部、数字、抽象几何形状）在图像中仅出现一次的假设。这极大限制了其适用性，因为每实例必须在该方法应用前被隔离——这一问题从未被讨论或评估。因此我们提出一种学习任务无关的无监督关键点（TUSK）的新方法，其可处理多实例。为实现此目标，我们不使用常用的检测多个热图（每个热图专用于一种关键点类型）的策略，而是使用单一热图进行检测，并通过聚类实现关键点类型的无监督学习。具体而言，我们通过教导关键点从稀疏的关键点集合及其描述子重建图像，将语义编码进关键点，其中描述子被强制在特征空间中围绕学习到的原型形成 distinct 聚类。这使得我们的方法比以往任何无监督关键点方法适用于更广的任务：我们在多实例检测与分类、对象发现以及地标检测上展示了实验——均为无监督——性能与当前最优（SOTA）相当，同时也能处理多实例。
引用
@article{arxiv.2206.08460,
title = {TUSK: Task-Agnostic Unsupervised Keypoints},
author = {Yuhe Jin and Weiwei Sun and Jan Hosang and Eduard Trulls and Kwang Moo Yi},
journal= {arXiv preprint arXiv:2206.08460},
year = {2023}
}