面向无监督目标发现的弱监督对比学习
计算机视觉与模式识别
2023-07-10 v1
摘要
无监督目标发现（UOD）指的是在不依赖标注数据集的情况下，从场景背景中区分出目标整体区域的任务，其有助于边界框级定位与像素级分割任务。该任务因其能以通用方式发现目标而颇具前景。我们粗略地将现有技术分为两个主要方向，即基于图像重合成的生成式方案，以及基于自监督模型的聚类方法。我们观察到前者严重依赖图像重建质量，而后者在有效建模语义关联方面存在局限。为直接面向目标发现，我们聚焦于后者并提出一种新方案，通过引入弱监督对比学习（WCL）来增强语义信息探索。我们设计了一个语义引导的自监督学习模型以从图像中提取高层语义特征，这是通过 WCL 微调自监督模型（即 DINO）的特征编码器实现的。随后，我们引入主成分分析（PCA）来定位目标区域。对应于最大特征值的主投影方向用作目标区域的指示。在基准无监督目标发现数据集上的大量实验证明了我们所提方案的有效性。源代码与实验结果已通过我们的项目页面 https://github.com/npucvr/WSCUOD.git 公开。
引用
@article{arxiv.2307.03376,
title = {Weakly-supervised Contrastive Learning for Unsupervised Object Discovery},
author = {Yunqiu Lv and Jing Zhang and Nick Barnes and Yuchao Dai},
journal= {arXiv preprint arXiv:2307.03376},
year = {2023}
}