Mar, 2024

无监督的混合尺度群组协作度量学习对于普通物体检索的应用

PDF
TL;DR通过无监督的深度度量学习方法，本文提出了一种新颖的混合比例分组的无监督协同度量学习方法 (MS-UGCML)，用于学习不同尺度对象的嵌入表示。同时，通过利用 COCO 2017 和 VOC 2007 数据集，组装了一套挑战集，以促进通用对象检索模型的训练和评估。综合评估表明，我们的无监督 MS-UGCML 方法在对象级别和图像级别的 mAP 提升了 6.69% 和 10.03%。
visual objectslarge image datasetunsupervised deep metric learningobject retrieval modelscomprehensive evaluations
发现论文，激发创造
  • 图像分割与物体提议生成的多尺度组合分组

    本文提出了一种统一的方法，通过应用多尺度组合分组（MCG）进行自下而上的分层图像分割和目标提议生成，达到了精确提议和轮廓的最新水平。

    Mar, 2015

  • 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

  • 多阶段度量学习实现细粒度视觉分类

    本研究提出了一种多阶段度量学习框架，针对细粒度视觉分类中高维特征向量的学习问题，通过距离度量学习解决了相互关联且难以区分的子类别和大量内部类差异等问题，并在 FGVC 基准数据集上取得了显著的性能提升。

    Feb, 2014

  • 聚合特征的面向对象的开放词汇图像检索

    本研究提出了一种简单而有效的方法来实现以对象为中心的开放词汇图像检索，通过从 CLIP 中提取出的密集嵌入将大规模图像检索管道的可扩展性与密集检测方法的对象识别能力相结合，从而实现了极大的提升。

    Sep, 2023

  • 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

  • 通过深度度量学习实现语义实例分割

    我们提出了一种新的语义实例分割方法，该方法首先计算两个像素可能属于同一个对象的概率，然后将相似的像素分组。我们的相似度度量基于一种深度的，完全卷积的嵌入模型。我们的分组方法基于选择所有与从深度完全卷积计分模型中选择的一组 “种子点” 足够相似的点。我们在 Pascal VOC 实例分割基准测试中展示了竞争性的结果。

    Mar, 2017

  • 多尺度视觉转换器在弱监督目标定位中的深度聚类引导精炼

    该研究论文提出了一种利用弱监督目标定位来学习物体定位的方法，通过多尺度物体定位变换器（MOLT）和深度聚类引导精化方法提高了定位准确度，并在公开的 ILSVRC-2012 数据集上进行了实验证明了该方法的有效性。

    Dec, 2023

  • 从多视角探寻规律：自监督和正则化学习用于多视角物体识别

    研究了多角度自我监督学习中的物体不变表示问题，提出了一种随机原型嵌入方法，并使用多角度一致性正则化来实现该方法。实验表明，该方法能够在已知和未知数据上优于其他自我监督学习方法，并且可以应用于少量数据场景中。

    Mar, 2020

  • 无监督学习视觉嵌入的本地聚合

    本文研究了如何利用无监督学习方法训练神经网络，通过优化局部聚合的度量方式实现相似的数据实例在嵌入空间中聚集在一起，从而实现在大规模视觉识别领域中的非监督迁移学习，实现了 ImageNet、Places 205 和 PASCAL VOC 数据集中物体识别、场景识别和物体检测方面的最佳性能。

    Mar, 2019

  • 内省式深度度量学习

    该论文提出了一种基于内省的深层度量学习框架，用于对图像进行不确定性感知的比较，该框架使用语义嵌入和不确定性嵌入来表示图像的特征以及模糊程度，并使用内省相似性度量来进行图像的相似度比较，取得了在图像检索和分类任务中的最先进性能。

    May, 2022