基于分层自监督的实例分割长尾类别无监督发现
计算机视觉与模式识别
2021-04-06 v1
摘要
实例分割是计算机视觉中的活跃课题，通常通过在使用由对象级掩码组成的超大数据集上进行监督学习来解决。为任何新领域获取此类数据集可能非常昂贵且耗时。此外，在特定标注类别上训练的模型对未见对象泛化不佳。本文的目标是提出一种方法，可通过学习掩码区域的实例嵌入，在无监督情况下发现实例分割中的长尾类别。利用图像中对象之间丰富的关系与分层结构，我们提出用于学习掩码嵌入的自监督损失。在COCO数据集上训练且无需长尾对象的额外标注，我们的模型能够发现比COCO中常见类别更新且更细粒度的对象。我们表明，与监督和部分监督方法相比，该模型在LVIS上取得了具有竞争力的定量结果。
引用
@article{arxiv.2104.01257,
title = {Unsupervised Discovery of the Long-Tail in Instance Segmentation Using Hierarchical Self-Supervision},
author = {Zhenzhen Weng and Mehmet Giray Ogut and Shai Limonchik and Serena Yeung},
journal= {arXiv preprint arXiv:2104.01257},
year = {2021}
}