无监督自然图像块学习
计算机视觉与模式识别
2018-07-10 v1
摘要
学习自然图像块的度量方法是分析图像的重要工具。一种有效手段是训练深度网络将图像块映射至向量空间，其中欧氏距离反映块的相似性。以往的尝试以有监督方式学习此类嵌入，需要大量标注图像可用。本文提出一种自然图像块的无监督嵌入，避免了对标注图像的需求。核心思想是：两个图像块的相似性可从它们在自然图像中空间邻近的普遍程度中学习。显然，依赖这一简单原则，许多空间邻近对是离群值，然而正如我们所展示的，离群值不会损害度量学习的收敛。我们表明，我们的无监督嵌入方法比有监督方法或使用深度块表示的方法更有效。此外，我们表明它自然导向一种高效的自监督域适应技术，可应用于包含共同前景目标的目标域。
引用
@article{arxiv.1807.03130,
title = {Unsupervised Natural Image Patch Learning},
author = {Dov Danon and Hadar Averbuch-Elor and Ohad Fried and Daniel Cohen-Or},
journal= {arXiv preprint arXiv:1807.03130},
year = {2018}
}