浪潮信息:新型自監(jiān)督學(xué)習(xí)框架論文入選CVPR 2022
(全球TMT2022年7月5日訊)在近日舉辦的IEEE國際計(jì)算機(jī)與模式識別會議CVPR 2022期間,浪潮信息AI團(tuán)隊(duì)提交的論文《CoDo: Contrastive Learning with Downstream Background Invariance for Detection (CoDo:在自監(jiān)督學(xué)習(xí)中引入下游數(shù)據(jù)的背景不變性)》成功入選。論文提出了一種新的自監(jiān)督學(xué)習(xí)框架,在自監(jiān)督學(xué)習(xí)的預(yù)訓(xùn)練過程兼顧下游數(shù)據(jù)的背景不變性,以提升自監(jiān)督學(xué)習(xí)在下游目標(biāo)檢測任務(wù)的性能,并通過初步實(shí)驗(yàn)證明了方法的有效性。CVPR是計(jì)算機(jī)視覺領(lǐng)域三大世界頂級會議之一。
浪潮信息AI團(tuán)隊(duì)提出的自監(jiān)督學(xué)習(xí)框架CoDo,在預(yù)訓(xùn)練中引入上下游任務(wù)數(shù)據(jù)集充當(dāng)背景,預(yù)訓(xùn)練圖像的推薦框粘貼到背景圖像上,邊框經(jīng)過比例變換及擾動后,作為增強(qiáng)樣本參與對比學(xué)習(xí)。由于背景為上下游數(shù)據(jù)集,模型實(shí)際上獲得了前景目標(biāo)的背景不變性能力。這意味著無論背景如何變化,模型都能夠準(zhǔn)確定位前景目標(biāo),這對于目標(biāo)檢測類人工智能任務(wù)尤為重要。論文采用CPJ數(shù)據(jù)增強(qiáng)方法、目標(biāo)檢測結(jié)構(gòu)對齊及層次對比學(xué)習(xí)構(gòu)建,并通過初步實(shí)驗(yàn)證明了方法的有效性。