无监督图像匹配和物体发现的优化
通过局部可靠相似度的估计,不需要监督信号,将样本分组成紧凑的代理类,利用样本到类的局部偏序将类与类连接起来,将相似性学习形式化为局部排序任务,并采取自我监督策略,在 CNN 中训练样本以一致的方式表示,同时更新类。该无监督方法在详细姿态估计和对象分类上表现出有竞争力的性能。
Apr, 2017
我们提出了一种通过无监督 / 自监督学习训练单阶段目标检测器的创新方法,该方法有潜力彻底改变标注过程,大大减少人工标注所需的时间和成本,并为之前难以实现的研究机会铺平了道路。与现有的主要针对分类任务的无监督学习方法不同,我们的方法承担了目标检测的独特挑战,开创了 intra-image 对比学习与 inter-image 对应的概念,能够获取目标检测所需的重要位置信息。该方法熟练地学习和表示这些位置信息,并生成信息丰富的热图。我们的结果展示了 89.2% 的卓越准确率,在计算机视觉领域的无监督目标检测领域突破性地提高了 15 倍,相比随机初始化。
Feb, 2024
本研究致力于解决视觉数据无监督学习中的目标检测问题,使用包含深度神经网络的学生路径来训练模型,该模型可以在测试时明显优于无监督视频发现教师,并在 YouTube 视频数据集和目标发现数据集等基准测试中取得了最先进的结果,测试时比其他方法至少快两个数量级。
Mar, 2017
该论文提出了一个基于无监督学习的物体发现方法,其中包括了基于显著性的边界提取算法以及采用层次结构与两阶段策略提高发现效率。通过使用小型随机图片集和整个图片集合,该方法能够发现每张图片中的多个目标,实现了对面向真实大规模图像数据集的无监督图像解释的重要的一步。
Jul, 2020
利用弱监督对比学习的语义引导自监督学习模型,在基于自我监督模型 DINO 的特征编码器上微调,采用主成分分析(PCA)来定位物体区域,实验证明了该解决方案的有效性。
Jul, 2023
采用完全可区分的无监督深度聚类方法,仅使用未标记的对象提议,无需个体分类标签来学习语义类,建立特征表示并同时学习聚类。目前该方法仅提供分割对象性掩膜的监督,但该方法可扩展为使用无监督的目标性生成机制,从而使该方法完全无监督。
Jan, 2018
该论文提出了一种新的无监督学习成本函数 (ODM),其测量了预测分布和标签分布之间的差异,并演示了在极少量标记训练情况下,如何使用 ODM 成本进行一次领域自适应。
Nov, 2015
本研究通过理论、算法和实验贡献来研究在标签有限情况下的机器学习,重点关注计算机视觉中的图像分类和目标检测任务,并提出了用于少样本分类中流行的元学习算法的理论与实践之间的联系,以及基于 Transformer 架构的目标检测器在训练过程中如何利用无标签数据的方法。
Nov, 2023
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