Dec, 2022

针对下游目标检测的对比视角设计策略以提高对领域转移的稳健性

HTML
PDF
TL;DR为了增强对外域物体的检测鲁棒性，我们对对比学习进行了实证研究，并提出了加强鲁棒性的策略，包括改变裁剪百分比、添加 IoU 约束、整合显著性的对象先验，并探索了缩短路径的数据增强方法。在多个领域的基础上进行基准测试，整合多种策略，实验结果表明了如何通过选择视图提高对比学习的鲁棒性。
发现论文，激发创造
  • 对比领域自适应

    本文探讨了将对比自监督学习扩展到领域适应上述情形的方法，通过无标签的正负样本比较学习，进一步识别和排除潜在可能误判的负面效应，以提高领域适应任务中的性能表现。

    Mar, 2021

  • 利用物体级对比学习来调整预训练以进行检测

    通过选择性搜索提出边界框，引入物体层次表征，结合FPN等所需模块的预训练神经网络，并配备物体检测属性，该文提出的选择性物体对比学习（SoCo）方法在物体检测领域取得了最先进的转移学习结果。

    Jun, 2021

  • 无监督学习视觉表示的对比方法再探

    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

  • 点级区域对比进行对象检测预训练

    介绍了基于自监督学习的点级区域对比法，该方法用于目标检测预训练，提高了模型在像素或点级别的定位和物体区域整体性识别的表现，通过直接从不同区域中采样个体点对执行对比学习，增强了模型对输入区域质量变化的鲁棒性，同时通过在线知识蒸馏隐式地提高了初始区域分配的质量。在多个任务和数据集上的实验表明，这种方法提高了目标检测和分割的预训练方法的性能。

    Feb, 2022

  • 领域自适应目标检测的对比均值教师

    本文提出了一种统一的、通用的框架——CMT，将 mean-teacher 自训练和对比学习这两种范式自然地集成在一起，通过伪标签进行特征抽取和优化，从而稳定提高了目标域上的性能，取得了新的最优表现。

    May, 2023

  • 对比学习的硬视图选择

    该论文提出了一种称为 Hard View Selection (HVS) 的策略，通过引入困难样本来改善对比学习模型的表现，该策略在多个对比学习方法上显著提高了准确性。

    Oct, 2023

  • 少量数据目标检测的对比预训练建议

    使用预训练的深度神经网络在少量可用数据中实现强大结果，针对密集问题如物体检测，学习图像中的局部信息而非全局信息被证明更有效。为了解决这个问题，我们对最近在社区中表现良好且具有生成多样化目标提案特性的基于Transformer的物体检测器感兴趣，在此工作中，我们提出了一种利用该特性的新型无监督整体预训练方法ProSeCo，使用检测器生成的大量目标提案进行对比学习，从而允许使用较小的批量大小，并结合物体级特征学习图像中的局部信息。为了改善对比损失的有效性，在选择正样本时引入物体位置信息以考虑多个重叠的目标提案。当重用预训练的骨干网络时，我们主张在骨干网络和检测头之间一致学习局部信息。我们证明了我们的方法在使用较少数据进行物体检测的无监督预训练中优于现有方法，在标准和新颖的基准测试中表现出色。

    Oct, 2023

  • 基于对比学习的无监督学习目标检测

    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

  • 通过局部-全局对比学习改善物体检测

    本研究解决了视觉领域差异对物体检测性能的影响问题，提出了一种新的图像到图像的翻译方法，通过对比学习框架优化物体实例的外观，同时显著减少对昂贵物体注释的依赖。实验结果表明，所提出的方法在多个跨域物体检测设置中表现出最先进的性能，具有重要的研究价值。

    Oct, 2024

  • 长尾物体检测预训练：动态重平衡对比学习与双重重建

    本研究针对长尾分布中物体检测任务的极端数据不平衡问题，提出了一种新颖的预训练框架，称为动态重平衡对比学习与双重重建（2DRCL）。该方法结合全局上下文语义与局部模式，通过动态重平衡策略优化样本采样，显著提高了尾部类别的检测性能，并通过双重重建任务减小了简单性偏差。

    Nov, 2024