未知物体也能轻松辨认联系，成果可迁徙 | DeepMind钻研

yang_hust

原标题：未知物体也能轻松辨认联系，成果可迁徙 | DeepMind钻研  
Pine 发自 凹非寺   
量子位 | 大众号 QbitAI   
历来没有见过的新物体，它也能进行很好地联系。  
这是DeepMind钻研出的一种新的学习框架：指标发现和表现网络（Object discovery and representation networks，简称Odin）  
以往的自我监视学习（SSL）办法可以很好地形容全部大的场景，然而很难区别出单个的物体。  
当初，Odin办法做到了，而且是在没有任何监视的状况下做到的。  
区别出图象中的单个物体可不是很容易的事，它是怎么做到的呢？  
办法原理   
可以很好地域分出图象中的各个物体，次要归功于Odin学习框架的“自我循环”。  
Odin学习了两组协同任务的网络，分别是指标发现网络和指标表现网络。  
指标发现网络以图象的一个裁剪部份作为输出，裁剪的部份应该包孕图象的大部份区域，且这部份图象并无在其余方面进行加强处置。   
而后对输出图象生成的特点图进行聚类剖析，按照不同的特点对图象中各个物体的进行联系。  

3s14vcv1voj.jpg

指标表现网络的输出视图是指标发现网络中所生成的联系图象。   
视图输出之后，对它们分别进行随机预处置，包罗翻转、隐约和点级色彩转换等。  
这样就可以够获取两组掩模，它们除了剪裁以外的差别，其余信息都和底层图象内容相反。  
展开全文    然后两个掩模会经过比较损失，进而学习可以更好地表现图象中物体的特点。  
而后，最大化不同掩模中同一指标物体的类似性，最小化不同指标物体之间的类似性，进而更好地进行联系以区分不同指标物体。  

exuktptjwsu.jpg

与此同时，指标发现网络会按期按照指标表现网络的参数进行相应的更新。  
终究的目的是确保这些对象级的特性在不同的视图中大抵不变，换句话说就是将图象中的物体分隔开来。  
那末Odin学习框架的成果到底如何呢？  
可以很好地域分未知物体   
Odin办法在场景联系时， 没有先验常识的状况下迁徙学习的机能也很弱小。  
首先，使用Odin办法在ImageNet数据集上进行预训练，而后评价其在COCO数据集以及PASCAL和Cityscapes语义联系上的成果。  
曾经知道指标物体，即获取先验常识的办法在进行场景联系时，成果要显著好过其余未获取先验常识的办法。  
而Odin办法即便未获取先验常识，其成果也要优于获取先验常识的DetCon和ReLICv2。  

1xlae0saqgk.jpg

2mmbg24eilg.jpg

除此以外，Odin办法不只能够运用在ResNet模型中，还能够运用到更繁杂的模型中，如Swim Transformer。  
在数据上，Odin框架学习的劣势很显著，那在可视化的图象中，Odin的劣势在何处体现了呢？  
将使用Odin生成的联系图象与随机初始化的网络（第3列），ImageNet监视的网络（第4列）中获取的联系图象进行对比。  
第3、4列都未能明晰地描画出物体的界限，或者不足理想世界物体的统一性和局部性，而Odin生成的图象成果很显著要更好一些。  

3uw5zqtfh2f.jpg

— 完—   
百度钻研院、阿里达摩院、量子位智库  
年度十大科技讲演  
总结2022，预见2023。来自百度钻研院、阿里达摩院和量子位智库的年度十大科技讲演均已公布， 点击下方图片便可跳转查看。   
百度钻研院  
阿里达摩院  
量子位智库  
点这里 ?关注我，记得标星哦～   
一键三连「分享」、「点赞」和「在看」  
科技前沿停顿日日相见 ~