自监督学习目标部分应用于语义分割

CVPRApr, 2022

自监督学习目标部分应用于语义分割

Self-Supervised Learning of Object Parts for Semantic Segmentation

Adrian Ziegler, Yuki M. Asano

TL;DR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。

Abstract

Progress in self-supervised learning has brought strong general image representation learning methods. Yet so far, it has mostly focused on image-level learning. In turn, tasks such as unsupervised image segmentation

self-supervised learning unsupervised image segmentation object parts spatially dense clustering unsupervised segmentation

发现论文，激发创造

对比重构中的无监督部件发现

本研究提出了一种非监督学习方法来发现和分割物体部分，通过像素级别的图像重建配合先前任务的代理目标，得到了一种更有意义的部分分解方法，优于现有的三个基准数据集，提供了一种一致的、可视化的物体语义部分表示。

Nov, 2021

SCOPS: 自监督联合分割

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

无监督部件分割：通过分离外观与形状

研究无监督发现和分割物体部分的问题，通过分离物体部分的外貌和形状表示来进一步优化分割性能，获得更一致的具有语义意义的部分。

May, 2021

对比物体掩码提案的无监督语义分割

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

基于人口编码的卷积神经网络内部状态无监督学习对象语义部分

本研究通过对 CNNs 的内部状态进行聚类，提出了一种无监督学习方法来发现物体的语义部件表达，即 Visual Concepts，并证明了其在物体部件检测和语义标注方面的有效性。

Nov, 2015

迈向基于开放世界的零件分割

本文提出了一种利用无类别部件分割来减少标注难度并能适用于未知目标的部件分割方法，并通过对象感知性和自监督学习的方式对此进行了改进。

May, 2023

弱监督下物体类别学习与检索

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

特征对齐下的无监督部件发现

本文提出利用无监督学习的方法发现物体的不同部位，通过神经网络构建特征并实现物体识别和部位检测。

Dec, 2020

无监督基于部件的物体形状和外观解耦

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

基于语义一致性的自监督单视图 3D 重建

我们提出了一种自监督的，单视图三维重建模型，通过 2D 图像和物体的轮廓预测目标物体的 3D 网格形状、纹理和相机姿势，该方法不需要三维监督，手动注释的关键点，物体的多视图图像或先前的 3D 模板，通过自监督地学习分类特定图像的部分分割，我们可以在重建网格与原始图像之间有效强制实现语义一致性，从而大大减少了模型在预测物体形状、纹理和相机姿态时的歧义，并且我们的模型可以不需要这些标签而轻松地推广到各种物体类别。

Mar, 2020