ICCVAug, 2021

多实例孪生自监督表示学习用于自动驾驶

PDF
TL;DR自主驾驶是一个备受关注的领域，但标记数据的收集过程非常困难，自监督学习可能是提高模型性能的一种有效方式。本文提出了一种名为 MultiSiam 的方法，解决了多示例情况下的自监督学习存在的问题，包括跨视图一致性和相似度度量。该方法在公开数据集上具有很强的性能表现，并显示了特定领域预训练的潜力。
autonomous drivingself-supervised learningmulti-instance datasetsfeature alignmentpre-training
发现论文，激发创造
  • 自监督视觉表示学习的孪生图像建模

    该研究提出了一种新的自监督学习方法 Siamese Image Modeling，它通过预测同一图像的不同视图的表示来达到语义对齐和空间敏感的目的，这种方法在 ImageNet 微调和线性探测、COCO 和 LVIS 检测以及 ADE20k 语义分割等多项下游任务中都取得了更好的效果。

    Jun, 2022

  • 场景图像的多标签自监督学习

    使用多标签自监督学习（MLS）方法，通过将场景 / 多标签图像的自监督学习简化为多标签分类问题，我们可以学习到高质量的图像表示，该方法在 MS-COCO 上获得了分类、检测和分割方面的最先进结果，并且比现有的方法简单易用，便于部署和进一步探索。

    Aug, 2023

  • 自监控的视频相似度学习

    介绍了一种名为 S$^2$VS 的视频相似度学习方法，采用自我监督学习来处理多个检索和检测任务，使用任务定制的增强和 InfoNCE 损失，同时学习自相似性和硬负相似性，具有与有标注数据方法相媲美的性能，在视频相关性定义的不同颗粒度上均达到了最先进水平。

    Apr, 2023

  • 多尺度对比孪生网络用于自监督图表示学习

    本文提出了一种用于学习节点表征的自监督方法，通过改进 Siamese 自蒸馏方法和多尺度对比度学习，构建局部和全局两种视图，并采用交叉网络和交换视角两个目标，最大化不同视图和网络的节点表征之间的一致性，该方法在五个真实数据集上实验，不仅取得了新的最优结果，而且优于一些半监督方法。

    May, 2021

  • 领域内自监督学习可提高遥感图像分类

    本文研究了自监督学习在遥感图像分类中的应用， 使用 ViT 模型和 iBOT 框架进行预训练可以提高模型预测性能。

    Jul, 2023

  • 自监督视觉表征学习的传递不变性

    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

  • 理解自监督特征用于学习无监督实例分割

    自我监督学习（SSL）可以用于解决复杂的视觉任务，该论文研究了实例分割的自我监督表示，发现不同 SSL 方法的特征在实例感知水平上存在差异。

    Nov, 2023

  • SimSAM：基于简化孪生表示的语义亲和矩阵用于无监督图像分割

    通过自我监督学习（SSL）的最新发展，我们介绍了一种计算语义亲和矩阵的新框架 SIMSAM，该框架对于无监督图像分割非常重要。

    Jun, 2024

  • 自监督预训练用于 RGB-D 显着性目标检测

    本文通过使用自监督表示学习方法，在只有少量无标签 RGB-D 数据集的情况下，利用两个预处理任务（跨模态自编码器和深度轮廓估计）对 CNNs-Based RGB-D 显着物体检测网络进行预训练，建立一个富有语义上下文的网络初始化，同时提出了一种一致性 - 差异性聚合模块（CDA）来解决 RGB-D SOD 中的跨模态融合问题。实验结果表明，本文的自监督预训练模型表现优于那些在 ImageNet 上进行预训练的最先进方法。

    Jan, 2021

  • 物体发现和表示网络

    Odin 是一种自我监督学习范式，通过耦合对象发现和表征网络来自主发现有意义的图像分割，而无需人工干预，可实现 COCO 目标检测、实例分割及 PASCAL、Cityscapes 的语义分割等领域的迁移学习效果，并在 DAVIS 视频分割方面超越监督预训练的方法。

    Mar, 2022