出品人:Towhee 技术团队 张晨、顾梦佳
Cut-and-LEaRn (CutLER) 提出一种简单的方法,用于训练无监督对象检测和分割模型。它根据预测对模型进行自我训练,以进一步提高性能。与之前的工作相比,CutLER 能够兼容不同架构的检测模型,并且可以识别多个对象。此外,CutLER 也是一种零样本无监督检测器。在视频帧、绘画、素描等领域的 11 个基准测试中,它将检测性能 AP50 提高了 2.7 倍以上。通过微调,CutLER 作为少样本检测器比 MoCo-v2 提高了 7.3%的 APbox 和 6.6% 的APmask,而在数据集 COCO 上训练时只使用 5% 标签。
Overview of CutLERCutLER
利用自监督模型的特性,在没有监督的情况下“发现”对象,并将其放大。它首先提出 MaskCut,从自监督 ViT 的图像特征中提取粗粒度的掩码。然后,它使用损失丢弃策略学习一个目标检测,对 MaskCut 遗漏的对象产生鲁棒性。经过多轮自我训练后,CutLER 能够训练出最先进的没有任何人工标签的定位模型。
相关资料:
代码地址:https://github.com/facebookresearch/CutLER
论文链接:Cut and Learn for Unsupervised Object Detection and Instance Segmentation
更多资料:一种无监督目标检测和实例分割方法
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。