Dec, 2018

弱空间约束下的迭代重组：无人监督表征学习中任意拼图问题的解决

PDF
TL;DR本文提出了一种用于解决任意大小和形状的智力拼图，利用无监督学习从未标记的图像数据中学习视觉特征，可作为网络初始化的可靠方法，适用于图像分类、物体检测和语义分割等几类视觉识别任务。
发现论文，激发创造
  • 通过解决拼图游戏来无监督地学习视觉表征

    本文研究了无需人工注释的图像表示学习问题，通过自监督学习的方式，构建了一个卷积神经网络，该网络能够以拼图问题作为预文本任务进行训练，从而无需手动标注，并在后续用于解决目标分类和检测问题；同时引入了一种名为 CFN 的无上下文网络，该网络以图像块作为输入，并将其早期处理单元的感受野（或上下文）明确限制为一次一个图像块，以保持跨任务的兼容性。通过训练 CFN 来解决拼图问题，我们学习了对象部分的特征映射以及它们的正确空间排列，实验评估结果表明，所学习的特征捕获了语义相关的内容；本文提出的学习视觉表示的方法在多个转移学习基准测试中胜过现有的最先进方法。

    Mar, 2016

  • 基于 CLIP 的栅格拼图表示：图像聚类的新视角

    无监督表征学习在计算机视觉中对图像聚类至关重要。本论文介绍了基于拼图策略的图像聚类算法 Grid Jigsaw Representation（GJR），并创新了基于预训练的 Grid Jigsaw Representation（pGJR），两者在图像聚类任务上表现出较高的有效性和收敛速度。

    Oct, 2023

  • 通过解决拼图难题进行域泛化

    本研究旨在将自适应方法应用于不同领域中的对象识别任务。通过受监督的信号和自监督的信号来学习和合并知识，扩展模型对数据的理解并提高分类任务的准确性。经过多次实验验证，本方法相较之前的方法在域通用性和适应性上具有更好的效果。

    Mar, 2019

  • 视频拼图：用于视频动作识别的时空上下文的无监督学习

    提出了一种自我监督的学习方法，可以联合推理视频的空间和时间上下文，利用拼图游戏方式进行视频片段的训练。

    Aug, 2018

  • 通过完成损坏的拼图学习图像表示

    本文探索用复杂的自监督任务进行表示学习的方法，介绍了一个新的复杂自监督任务 “完善受损拼图”，使用卷积神经网络训练，证明使用复杂的自监督任务有助于学习更健壮和通用的表示，证明这种方法在 PASCAL 分类和语义分割的迁移学习中实现了最先进的性能。

    Feb, 2018

  • 基于拼图游戏的细粒度自监督学习用于医学影像分类

    这篇研究论文介绍了一种用于医学图像中分类微细病变的细粒度自我监督学习（FG-SSL）方法，通过逐层分块逐渐学习模型，使细粒度拼图与规范原始图像的交叉相关性接近于单位矩阵，并应用于逐步细粒度学习以发现微小差异，该方法不依赖于非对称模型、负采样策略或批量大小，并在使用多种医学图像识别数据集的全面实验中表现出优越性能。

    Aug, 2023

  • 无监督视觉表示学习的拼图聚类

    本文介绍了一种新的基于拼图聚类的预处理任务方式，可在降低训练成本的同时充分利用图像内部和外部信息进行训练，实现了与对比学习方法相当的效果，甚至在只使用一半的训练批次时也能够优于其他单批次方法。通过预训练模型，最终在 ImageNet 、CIFAR-10 和 CIFAR-100 数据集上实现了优异的成果。

    Apr, 2021

  • 面向形状偏向的领域通用无监督表示学习

    本研究提出了一种自我监督学习框架，通过整合领域多样性和拼图等方式，学习语义和形状倾向的表示，可用于领域泛化。实验结果表明，该框架明显优于现有的领域泛化方法。

    Sep, 2019

  • 通过解决解耦空时拼图难题进行视频异常检测

    本文介绍了一种采用自监督学习的方法，通过解决空间 - 时间拼图问题来进行视频异常检测。新方法相对于基于重建或预测的方法，在公共基准测试中表现更好。

    Jul, 2022

  • 拼图：学习组装多个破碎物体

    该文章介绍了 Jigsaw 框架，该框架是一种用于将多个部件的物理断裂的 3D 对象组装起来的方法，并且通过分割、匹配和全局对齐的方式来提高其性能。该方法是一种第一次基于学习的方法，专门用于多个部件的 3D 断裂组装。

    May, 2023