Jun, 2023

粗糙更好？一种利用未筛选图片自监督学习的新管线

PDF
TL;DR该研究提出了一种新的场景图像自监督学习（SSL）流水线，可以成功地从未被筛选过的场景数据集（如 MS-COCO）中学习高质量的视觉表示，并且不需要依赖于外部的以物体为中心的数据集，从而更好地应用到非对比性 SSL 方法中。
self-supervised learningscene imagesobjectnesspseudo object-centric imagesms-coco
发现论文，激发创造
  • CASTing Your Model: 学习本地化改善自监督表示

    提出了一种名为 CAST 的方法，在场景图像上使用无监督的显著性图提供关注力监督，显著改善了自监督学习方法在场景图像上学习的特征，同时进一步实验表明，CAST 训练的模型对背景的变化更具鲁棒性。

    Dec, 2020

  • 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

  • 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

  • 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

  • 通过有选择的自监督自训练来改进物体检测

    本文介绍了一种使用网络图像来扩充人为筛选的物体检测数据集的方法，通过图像匹配来检索网络图像，提出了一种新的学习方法，以获取正和负的边界框的监督信号，从而提高了检测结果。

    Jul, 2020

  • 基于自监督范式的有限标记样本遥感图像场景分类

    通过自监督学习机制，利用未标记的大规模遥感图像数据进行预训练，提高了远程传感器图像场景分类任务的性能，与传统的以 Imagenet 为代表的方法相比表现更佳。同时，研究了多个影响自监督学习的因素，这些研究成果对遥感领域中 SSL 技术的发展具有积极意义，有望提高大规模遥感图像处理的效率。

    Oct, 2020

  • Fix-A-Step: 从未经筛选的未标记数据中进行半监督学习

    本文介绍了一种用于医学成像的 Fix-A-Step 半监督学习方法，该方法可以处理未经筛选的无标签数据，从而帮助提高分类器的准确性。作者在对 CIFAR 基准数据集和心脏超声医学 SSL 基准数据集的实验中证明了该方法的有效性。

    Aug, 2022

  • 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

  • 使用局部对比损失的自监督学习，用于检测和语义分割

    提出了一种自监督学习方法，适用于对象检测和语义分割等半全局任务，通过在训练期间最小化像素级的本地对比损失（LC-loss），在自学习特征中强制实现对变换后的同一图像的相应图像位置之间的本地一致性，可将 LC-loss 添加到现有的自监督学习方法中，并在 COCO、PASCAL VOC 和 CityScapes 数据集上评估 SSL 方法，结果比现有的先进自监督学习方法在 COCO 对象检测、PASCAL VOC 检测和 CityScapes 分割等任务上分别提高了 1.9％，1.4％和 0.6％。

    Jul, 2022

  • PCRLv2：用于自监督预训练的医学图像分析统一视觉信息保护框架

    提出了一个基于像素恢复和多任务优化的统一半监督学习框架，用于医学图像分析，并在包括脑部肿瘤分割，胸部病理学识别和肺部结节检测在内的各种任务中取得了优于其他自监督学习方法的表现。

    Jan, 2023