.png){kind=icon}
返回
Learning Location-Aware Visual Representations Through Anchor-Based Contrastive Learning
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-07109-5_18.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
视觉表示学习已取得显著进展，但现有方法往往忽视了图像中空间理解的关键方面。尽管当前自监督方法擅长学习语义特征，但它们通常不显式编码位置信息，限制了其在对空间推理有需求的下游任务中的应用。我们提出了一种新颖的方法，通过对比学习来学习具有位置感知的视觉表示，且无需标签数据。我们的方法引入了一种基于锚点的策略，明确鼓励模型在其学习的表示中捕捉语义和空间信息。通过率先将图像内对比学习与传统图像间比较相结合，我们的方法能够在保持语义理解的同时提取丰富的空间特征。我们通过全面的相似性分析展示了我们学习的表示的有效性，在空间对应任务中达到89.2%的准确率——相比随机初始化的特征提升了15倍。我们的方法通过展示对比方法如何扩展以捕捉空间关系同时保持语义理解，为自监督学习开辟了新的可能性。
Keyword:
Unsupervised learning
Representation learning
Object detection
期刊
I
IF:
0
论文数:
42
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容