通过量化实验,我们发现了自监督学习方法的增益来源及其局限性,并且提出了一种利用非结构化视频学习表示以实现更高视点不变性的方法。
Jul, 2020
通过使用 Video-Induced Visual Invariances (VIVI) 的自监督学习框架,本文提出了一种可以在 19 种视觉任务中实现超过最佳监督模型的自监督转移学习方法。
Dec, 2019
本研究提出一种新的辅助任务 —— 旋转预测,用于加强现有最先进的基于相似性和对比性方法,并在多个数据集上证明了我们的方法能显着提高性能。
Oct, 2022
本研究旨在通过使用野外未标记视频进行自监督学习的视觉对应关系。我们的方法同时考虑了可靠对应估计的视频内部和视频间的表示关联。
Dec, 2020
本文研究了自监督学习在图像中表征学习的应用,通过对比实例匹配方法,我们发现不同的视觉任务需要不同的数据扩充策略,并且使用具有互补不变性的表征方法可以提高各种下游任务的表现。
Nov, 2021
本文针对自监督学习在 3D 视觉中的应用,提出了一个统一的框架,并对各个不变性进行了全面的研究和比较。同时,文章还提出了一个简单而有效的对 3D 编码器和深度图编码器进行联合自对比学习的方法,并在下游任务中取得了显著的性能提升。
Jul, 2022
研究了多角度自我监督学习中的物体不变表示问题,提出了一种随机原型嵌入方法,并使用多角度一致性正则化来实现该方法。实验表明,该方法能够在已知和未知数据上优于其他自我监督学习方法,并且可以应用于少量数据场景中。
Mar, 2020
本研究提出了一种将自监督学习和多视角匹配技术相结合的方法,在没有额外标签的情况下,利用来自嵌入式相机的机器人吸尘器捕获的数据学习更高质量的表示,并证明了其在物体分类性能上的有效性。
Aug, 2022
在视频流的场景中,通过流变换目标使神经网络预测另一个帧的特征,实现了一种新的自我监督学习表示框架,学习到的高分辨率原始视频表示可用于静态图片的下游任务,例如语义分割、实例分割和目标检测,超越了 SimCLR 和 BYOL 等先前最先进算法得到的表示。
Jan, 2021
本文将需要自我学习来改进现有模型的数据集偏差性进行了深入研究,并成功地在不同类型数据集上改善了模型,同时介绍了一种具有多尺度裁剪、强数据增强和近邻策略的改进自监督学习方法,并通过 MoCo 模型在语义分割和视频实例分割任务中实现了优秀的效果。
Jun, 2021