Pine 发自凹非寺

  量子位公众号 QbitAI

  从来没有见过的新物体,它也能进行很好地分割。

  这是 DeepMind 研究出的一种新的学习框架:目标发现和表示网络(Object discovery and representation networks,简称 Odin)

  以往的自我监督学习(SSL)方法能够很好地描述整个大的场景,但是很难区分出单个的物体。

  现在,Odin 方法做到了,并且是在没有任何监督的情况下做到的。

  区分出图像中的单个物体可不是很容易的事,它是怎么做到的呢?

  方法原理

  能够很好地区分出图像中的各个物体,主要归功于 Odin 学习框架的“自我循环”。

  Odin 学习了两组协同工作的网络,分别是目标发现网络和目标表示网络。

  目标发现网络以图像的一个裁剪部分作为输入,裁剪的部分应该包含图像的大部分区域,且这部分图像并没有在其他方面进行增强处理。

  然后对输入图像生成的特征图进行聚类分析,根据不同的特征对图像中各个物体的进行分割。

  目标表示网络的输入视图是目标发现网络中所生成的分割图像。

  视图输入之后,对它们分别进行随机预处理,包括翻转、模糊和点级颜色转换等。

  这样就能够获得两组掩模,它们除了剪裁之外的差异,其他信息都和底层图像内容相同。

  而后两个掩模会通过对比损失,进而学习能够更好地表示图像中物体的特征。

  具体来说,就是通过对比检测,训练一个网络来识别不同目标物体的特征,同时还有许多来自其他不相干物体的“负面”特征。

  然后,最大化不同掩模中同一目标物体的相似性,最小化不同目标物体之间的相似性,进而更好地进行分割以区别不同目标物体。

  与此同时,目标发现网络会定期根据目标表示网络的参数进行相应的更新。

  最终的目的是确保这些对象级的特性在不同的视图中大致不变,换句话说就是将图像中的物体分隔开来。

  那么 Odin 学习框架的效果究竟如何呢?

  能够很好地区分未知物体

  Odin 方法在场景分割时,没有先验知识的情况下迁移学习的性能也很强大。

  首先,使用 Odin 方法在 ImageNet 数据集上进行预训练,然后评估其在 COCO 数据集以及 PASCAL 和 Cityscapes 语义分割上的效果。

  已经知道目标物体,即获得先验知识的方法在进行场景分割时,效果要明显好于其他未获得先验知识的方法。

  而 Odin 方法即使未获得先验知识,其效果也要优于获得先验知识的 DetCon 和 ReLICv2。

  除此之外,Odin 方法不仅可以应用在 ResNet 模型中,还可以应用到更复杂的模型中,如 Swim Transformer。

  在数据上,Odin 框架学习的优势很明显,那在可视化的图像中,Odin 的优势在何处体现了呢?

  将使用 Odin 生成的分割图像与随机初始化的网络(第 3 列),ImageNet 监督的网络(第 4 列)中获得的分割图像进行比较。

  第3、4 列都未能清晰地描绘出物体的边界,或者缺乏现实世界物体的一致性和局部性,而 Odin 生成的图像效果很明显要更好一些。

  参考链接:

  [1] https://twitter.com/DeepMind/status/1554467389290561541

  [2] https://arxiv.org/abs/2203.08777