文章介绍了一种利用自监督学习的图形结构来学习具有不变性特征的视觉表示,并应用该表示在不同的识别任务中取得了显著性能提升。
Aug, 2017
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
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
通过数据驱动的前景显著性估计和复制粘贴来生成图像视图,实现对背景不变性的学习,从而训练代表性忽略背景内容并专注于前景的对比学习模型,并实现了在 ImageNet 分类和 PASCAL VOC、MSCOCO 目标检测上的显著性能提升。
Apr, 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
本研究证明了在无监督环境下,通过使用基于 PIRL 的预处理任务可以显著改善图像语义维度的质量,且该方法可以用于提取具有良好不变性质的图像信息(如对象检测)中。
Dec, 2019
我们提出了一种新颖的针对物体感知的对比自我监督学习框架,通过首先局部化自我监督学习中的对象,然后通过考虑推断出的对象位置的适当数据增强来去偏置场景相关性,进而提高表示学习框架的有效性。
Jul, 2021
自我监督学习是一种通过前馈未标记的数据来预先训练表示的策略,本文提出了一个新的自我监督目标函数 ReLIC,通过对预训练期间使用的代理分类器的显式不变性约束来更有效地利用数据增强,提高了泛化性能,实验表明 ReLIC 在图像分类和游戏领域都具有较好的表现。
Oct, 2020
自监督学习在计算机视觉中的鲁棒性研究调查了分布变化和图像损坏对学习表示的影响,发现较高级别的变化和损坏显著降低了学习表示的鲁棒性。研究强调了鲁棒性对自监督学习方法的性能和应用的关键影响,并强调了需要寻找有效策略以减轻其不利影响的重要性。
Jul, 2023
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