对比重构中的无监督部件发现
本文介绍了以往自我监督的学习方式大多聚焦于图像级的表示学习,不能为无监督图像分割等需要空间多样的表示的任务带来改进,通过自我监督学习物体部件提出了新的解决途径,并结合目前趋势的 Vision Transformer,利用稠密聚类任务进行空间标记的微调,取得了在语义分割基准测试上超过 17%-3% 的最先进结果,且在完全无监督分割方面也具有重大潜力。
Apr, 2022
提出了一种基于无监督学习的方法,通过学习物体的不同特征,如表现和形状,来实现特征的分离和表示,并使用等变约束进行训练,适用于任意类别,并在各种任务中表现优异。
Mar, 2019
本文旨在通过采用对比优化目标中的预定中级先验,引入了一个两步框架来学习像素嵌入,从而解决了计算机视觉中的无监督语义表示学习问题,并证明此方法优于现有方法。
Feb, 2021
我们基于自监督学习开发了细粒度分类和分割任务的表示优化技术,通过识别部分特异变化改进了 fine-grained 分类,在卷积和视觉变换网络中聚类像素表示,利用部分中心化学习和对比在图像中对部分进行聚类,并在多个数据集上展示了在图像分类和部分分割任务上的性能提升。
Sep, 2023
该研究提出了一种新的方法,可以同时恢复 3D 对象的几何形状和基于部分的分解,以及它们之间的潜在层次结构,实验证明考虑部分的组织确实有助于推理三维几何。
Apr, 2020
本文提出了自监督深度学习方法,通过多种损失函数使分割结果既有几何的聚焦性,又能在不同物体实例之间保持语义一致性,实现即将物体分割的任务。研究表明,与现有的自监督技术相比,该方法能够产生更具语义一致性的分段,并且紧贴物体边界。
May, 2019
本文提出了一种从原始视觉分组能力启动视觉表示学习的框架,操作化分组通过轮廓检测器,该检测器将图像分割成区域,并将这些区域合并成树形层次结构。实验表明,我们的方法朝着通用预训练方法的方向发展,其对下游任务有益,并可用于语义区域搜索和基于视频的对象实例跟踪。
Dec, 2020