通过描述子向量交换的无监督地标学习
计算机视觉与模式识别
2019-08-20 v1
摘要
对随机图像变换的等变性是学习物体类别地标（如人脸中的眼睛和鼻子）而无人工监督的一种有效方法。然而，该方法并未显式保证所学地标与同一物体不同实例之间的变化（如不同人脸身份）一致。在本文中，我们对等变方法提出一种新的视角，指出稠密地标检测器可被解释为配备有类内变化不变性的局部图像描述子。接着我们提出一种在标准等变损失中直接强制此种不变性的方法。为此，我们在对不同物体实例的图像进行几何匹配之前交换它们的描述子向量。以这种方式，相同的向量必须不论所考虑的具体物体身份而均有效。我们利用该方法学习可同时被解释为局部描述子和稠密地标的向量，结合了二者的优势。在标准基准上的实验表明，该方法可以匹敌并在某些情况下超越现有无监督地标学习方法中的最优性能。代码见 www.robots.ox.ac.uk/~vgg/research/DVE/。
引用
@article{arxiv.1908.06427,
title = {Unsupervised Learning of Landmarks by Descriptor Vector Exchange},
author = {James Thewlis and Samuel Albanie and Hakan Bilen and Andrea Vedaldi},
journal= {arXiv preprint arXiv:1908.06427},
year = {2019}
}
备注
ICCV 2019