CuVLER:通过详尽的自我监督变换增强无监督对象发现
提出了一种名为 Cut-and-LEaRn(CutLER)的简单方法,以训练无监督的物体检测和分割模型,它首先使用所提出的 MaskCut 方法生成图像中多个对象的粗略蒙版,然后在这些蒙版上学习检测器,最后通过对模型的预测进行自我训练实现零样本无监督检测,大幅提升检测性能。
Jan, 2023
本研究采用基于图形的算法,通过利用自我监督变压器获得的特征来检测和分割图像和视频中的显着对象,并最终通过经典的归一化割算法解决检测和分割问题,并在多个常见的图像和视频检测和分割任务中实现了最新的结果。
Sep, 2022
本文提出了一种基于自监督学习训练的 Transformer 模型特征的基于图的对象发现方法,在图中进行规范化的图割以分组具有相似性区域的前景物体。该方法可以显著提高无监督对象发现的性能,也可以扩展到无监督凸显性检测和弱监督对象检测领域。
Feb, 2022
利用动态信息和外观信息,我们提出了一种自我监督的目标发现方法,该方法能够生成高质量的目标分割遮罩,并在多个基准测试中取得与现有方法相媲美甚至超越的结果。
Aug, 2023
利用扩散 UNet 编码器和 DiffCut 方法,本研究在无监督零样本分割任务中对基于图的分割算法进行改进,显著优于现有的先进方法。
Jun, 2024
本研究提出了一种基于图像块的无监督图像分割策略,将深度聚类方法中无监督特征提取的进展与经典基于图形的方法的算法帮助相结合。我们展示了一个简单的卷积神经网络,通过使用图割来迭代地正则化图像块的分类,从而自然地实现了最先进的全卷积无监督像素级分割器。此外,我们证明了这是利用由视觉变换器模型生成的图像块级别对偶特征的理想场景。我们在真实图像数据上的结果证明了我们提出方法的有效性。
Nov, 2023
提出了一种基于搜索的无监督视觉表征学习方法(SUVR),通过构建图像数据集图形并采用图形遍历定位相似图像,同时确保负样本可以从全数据集中获取,从而在无监督嵌入学习上显著优于现有方法。
May, 2023
提出了 TransClippedCLR 模型,通过编码图像的全局上下文和局部上下文,使用产品量化生成哈希码,并通过剪切对比学习避免潜在的错误负对,实现了在基准数据集(包括 CIFAR10、NUS-Wide 和 Flickr25K)上无监督图像检索的卓越性能,相较于最新的深度模型,在所有数据集上使用所提出的剪切对比学习相比于使用相同基础网络的普通对比学习,取得了显著的改善。
Jan, 2024
本文提出了一种不需要昂贵的注释活动的图像集合中的目标本地化的简单方法(称为 LOST),该方法利用了以自我监督方式预训练的视觉转换器的激活特征,同时在 PASCAL VOC 2012 上的实验表明,该方法优于最先进的目标发现方法最高可达 8 CorLoc 点。此外,我们还展示了在发现对象的基础上训练一个不具有类别属性的检测器可以再次提高 7 个点,此外,我们在无监督对象发现任务上也展示了有希望的结果。
Sep, 2021