.png){kind=icon}
返回
Self-supervised Structured Object Representation Learning
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-14492-8_23.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自监督学习（SSL）已成为学习视觉表征的有力技术。虽然近期SSL方法在全局图像理解方面取得了显著成果，但它们在捕捉场景中的结构化表征方面存在局限。本研究提出了一种自监督方法，通过结合语义分组、实例级分离和层次化结构化，逐步构建结构化视觉表征。我们的方法基于一种新颖的ProtoScale模块，能够捕捉跨多个空间尺度的视觉元素。与依赖随机裁剪和全局嵌入的常见策略（如DINO）不同，我们通过增强视图保留完整的场景上下文，以提升密集预测任务的表现。我们在下游目标检测任务上验证了该方法，所用数据集由COCO和UA-DETRAC的选定子集组合而成。实验结果表明，我们的方法学习到的以对象为中心的表征能够增强有监督目标检测，并在仅使用有限标注数据和较少微调轮次的情况下超越当前最优方法。
Keyword:
Self-supervised learning
Object detection
Dense prediction
Computer vision
期刊
A
IF:
0
论文数:
30
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容