PEEKABOO：隐藏图像部分实现无监督目标局部化
流体动力学
2025-10-16 v1 最优化与控制
摘要
在无监督方式下定位目标面临显著挑战，主要因为缺乏关键视觉信息（如目标外观、种类与数量），以及缺乏监督学习中通常可获得的标签目标类别。虽然近期方法通过利用自监督视觉表征在无监督目标局部化方面取得显著进展，但往往需要计算密集的训练过程，导致在计算资源、可学习参数与数据方面的高资源消耗。此外，这些方法缺乏对视觉上下文的显式建模，可能限制其在目标局部化准确性。为此，我们提出一种单阶段学习框架，称为PEEKABOO，通过图像遮蔽在像素级与形状级上学习基于上下文的表征，实现无监督目标局部化。其核心思想是选择性地隐藏图像的部分内容，利用剩余图像信息在缺乏显式监督的情况下推断目标位置。我们对该方法在多个基准数据集上的定量与定性实验结果进行了系统评估，结果表明该方法在单目标发现与无监督显著目标检测任务中具有简洁、有效且具竞争力的性能。代码与预训练模型已公开：https://github.com/hasibzunair/peekaboo
引用
@article{arxiv.2407.17627,
title = {What makes a steady flow to favour kinematic magnetic field generation: A statistical analysis},
author = {Francisco Stefano de Almeida and Roman Chertovskih and Sílvio Gama and Rui Gonçalves},
journal= {arXiv preprint arXiv:2407.17627},
year = {2025}
}