基于对比学习的无监督学习对象检测
计算机视觉与模式识别
2024-02-22 v1
摘要
训练基于图像的对象检测器面临巨大挑战，既涉及对象检测的复杂性，也涉及在可能多样且噪声环境中精确定位对象的难度。然而，图像本身的收集往往相对容易；例如，安装在车辆中的摄像机可以在各种真实场景中轻松捕获大量数据。在此基础上，我们引入一种通过无监督/自监督学习训练单阶段对象检测器的开创性方法。我们的自顶级方法有潜力彻底变革标注流程，显著减少与手动标注相关的時間和成本。此外，它为大规模、多样且具有挑战性的缺乏广泛标签的数据集开辟了先前无法实现的研究机会。与流行的无监督学习方法主要针对分类任务不同，我们的方法承担了对象检测的独特挑战。我们首次提出了图像内部对比学习与图像间对比学习的概念，使能够获取对象检测所必需的位置信息。该方法能够学习并表示这些位置信息，生成信息丰富的热力图。我们的结果展示了惊人的准确率为 \textbf{89.2\%}，在计算机视觉领域的无监督对象检测中实现了约 \textbf{15x} 相对于随机初始化的突破。
引用
@article{arxiv.2402.13465,
title = {Unsupervised learning based object detection using Contrastive Learning},
author = {Chandan Kumar and Jansel Herrera-Gerena and John Just and Matthew Darr and Ali Jannesari},
journal= {arXiv preprint arXiv:2402.13465},
year = {2024}
}
备注
10 pages, 5 figures