Dec, 2023

HEAP: 无监督的对比聚类目标发现与定位

PDF
TL;DR通过使用自我监督变换器特征，介绍了一种名为 Hierarchical mErging framework via contrAstive grouPing (HEAP) 的轻量级头部设计方法，以自适应地将图像内的补丁群组成语义一致的区域，以实现更准确的对象发现，并在各种类别的对象之间实现区分。
unsupervised object discoverylocalizationself-supervised transformer featureshierarchical merging frameworkcontrastive clustering loss
发现论文，激发创造
  • 分层组合自监督视觉表示学习

    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

  • EAGLE: 物体中心无监督语义分割的特征聚合学习

    基于自监督涵盖对象中心表示学习的对象级无监督语义分割方法 EAGLE，在复杂场景中实现了精确和一致的语义分割效果。

    Mar, 2024

  • 一个轻量级聚类框架用于无监督语义分割

    我们提出了一个用于无监督语义分割的轻量级聚类框架，基于自监督视觉变换器的注意特征，通过将这些特征聚类成少量的聚类中心，我们能够将前景和背景的图像补丁分开成不同的组。我们的框架在无监督语义分割方面展示了很大的潜力，并在 PASCAL VOC 和 MS COCO 数据集上取得了最新的成果。

    Nov, 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

  • 自监督表示学习的定位加速

    通过数据驱动的前景显著性估计和复制粘贴来生成图像视图，实现对背景不变性的学习，从而训练代表性忽略背景内容并专注于前景的对比学习模型，并实现了在 ImageNet 分类和 PASCAL VOC、MSCOCO 目标检测上的显著性能提升。

    Apr, 2020

  • 多视图共分割和聚类变换器的无监督分层语义分割

    本文提出了一种基于像素特征学习的数据驱动的无监督分层语义分割方法，使用同一图像的多视角协同分割来启动特征学习，加入粗细层次间的聚类变换器以确保组织层次间的语义一致性，该方法被称作 'Hierarchical Segment Grouping'，在五个主流目标和场景测评基准上表现良好。

    Apr, 2022

  • 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

  • 利用语义分组进行自监督视觉表示学习

    本文探讨了从无标签场景中心数据中学习视觉表示的问题，提出了一种的基于对比学习和数据驱动语义槽的语义聚类和表示学习方法，通过此方法能够更好的区分特征和语义相符的像素点，以此来有效地分解场景中的像素群组，并显著提高目标检测、实例分割和语义分割等下游应用的效果。

    May, 2022

  • 通过提炼特征对应关系进行无监督的语义分割

    STEGO 是一种新的自监督特征提取框架，通过使用对比损失函数来加强特征聚类的紧凑性，并在 CocoStuff 和 Cityscapes 语义分割挑战中显著优于其他算法。

    Mar, 2022

  • 基于聚类和对比的三维点云无监督学习

    本文提出了一种名为 ConClu 的通用无监督方法，它通过联合使用点级聚类和实例级对比来实现点和全局特征的学习。实验评估结果表明，该框架在 3D 物体分类和语义分割等下游应用方面具有很好的性能，可以胜过现有技术。

    Feb, 2022