通過自監(jiān)督學(xué)習(xí)學(xué)習(xí)視覺表征在計(jì)算機(jī)視覺領(lǐng)域逐漸開始流行。本文提出可通過不變性的傳遞實(shí)現(xiàn)視覺表征自監(jiān)督學(xué)習(xí)，該網(wǎng)絡(luò)在多種識(shí)別任務(wù)中均表現(xiàn)不俗，在表面正常評(píng)估任務(wù)中的表現(xiàn)甚至優(yōu)于 ImageNet 網(wǎng)絡(luò)。

論文：Transitive Invariance for Self-supervised Visual Representation Learning

論文地址：https://arxiv.org/abs/1708.02901

通過自監(jiān)督學(xué)習(xí)學(xué)習(xí)視覺表征在計(jì)算機(jī)視覺領(lǐng)域逐漸開始流行。該方法是為了設(shè)計(jì)可隨意獲取標(biāo)簽的輔助任務(wù)。大多數(shù)輔助任務(wù)最終將提供數(shù)據(jù)來學(xué)習(xí)特定種類的有助于識(shí)別的不變性(invariance)。在本論文中，我們提出利用不同的自監(jiān)督方法學(xué)習(xí)表征，這些表征與 (i) 實(shí)例間變體(inter-instance variation，相同類別的兩個(gè)對(duì)象應(yīng)該具備相似的特征)、(ii) 實(shí)例內(nèi)變體(intra-instance variation，視角、姿勢(shì)、變形、亮度等)無關(guān)。我們沒有將這兩種方法與多任務(wù)學(xué)習(xí)聯(lián)結(jié)起來，而是組織和推理具備多種不變性的數(shù)據(jù)。具體來說，我們提出使用從成百上千個(gè)視頻中挖掘出的數(shù)百萬個(gè)對(duì)象生成一個(gè)圖。這些對(duì)象由分別對(duì)應(yīng)兩種不變性的兩種邊緣(edge)聯(lián)結(jié)起來：「具備相似的觀點(diǎn)和類別的不同實(shí)例」和「相同實(shí)例的不同觀點(diǎn)」。通過將簡(jiǎn)單的傳遞性(transitivity)應(yīng)用到帶有這些邊緣的圖上，我們能夠獲取具備更加豐富視覺不變性的成對(duì)圖像。我們使用這些數(shù)據(jù)訓(xùn)練帶有 VGG16 的 Triplet-Siamese 網(wǎng)絡(luò)作為基礎(chǔ)架構(gòu)，將學(xué)得的表征應(yīng)用到不同的識(shí)別任務(wù)中。關(guān)于物體檢測(cè)，我們使用 Fast R-CNN 在 PASCAL VOC 2007 數(shù)據(jù)集上達(dá)到了 63.2% mAP(ImageNet 的預(yù)訓(xùn)練結(jié)果是 67.3%)。而對(duì)于有難度的 COCO 數(shù)據(jù)集，使用我們的方法得出的結(jié)果(23.5%)與 ImageNet-監(jiān)督的結(jié)果(24.4%)驚人地接近。我們還證明了我們的網(wǎng)絡(luò)在表面正常評(píng)估(surface normal estimation)任務(wù)中的表現(xiàn)優(yōu)于 ImageNet 網(wǎng)絡(luò)。

圖 1：我們提出使用簡(jiǎn)單的傳遞關(guān)系獲取豐富的不變性。在該示例中，兩輛不同的汽車 A 和 B 被有利于實(shí)例間不變性的特征聯(lián)結(jié)起來;每輛車通過視覺追蹤與另一個(gè)視角(A′和 B′)聯(lián)系起來。之后，我們能夠借助傳遞性從物體對(duì)〈A, B′〉、〈A′, B〉和〈A′, B′〉中獲取新的不變性。

圖 2：圖構(gòu)建描述。我們首先將物體節(jié)點(diǎn)聚集到更加粗糙的集群(叫作「父」集群)，然后我們?cè)诿總€(gè)集群內(nèi)執(zhí)行最近鄰搜索(nearest-neighbor search)來得到包含 4 個(gè)樣本的「子」集群。每個(gè)子集群內(nèi)的樣本通過「實(shí)例內(nèi)」邊緣互相聯(lián)結(jié)。我們通過視覺追蹤增加新樣本，并通過「實(shí)例間」邊緣將其與原始物體聯(lián)結(jié)起來。

圖 5：訓(xùn)練網(wǎng)絡(luò)所用樣本。每一列是一系列圖像塊 {A, B, A′, B′}。這里，A 和 B 通過實(shí)例間邊緣聯(lián)結(jié)，而 A′/B′與 A/B 通過實(shí)例內(nèi)邊緣聯(lián)結(jié)。

圖 6：我們的 Triplet-Siamese 網(wǎng)絡(luò)。我們向該網(wǎng)絡(luò)輸入樣本的不同聯(lián)結(jié)。

圖 7：PASCAL VOC 數(shù)據(jù)集上的最近鄰搜索。我們抽取三種特征：(a)語境預(yù)測(cè)網(wǎng)絡(luò)，(b)使用我們的自監(jiān)督方法訓(xùn)練的網(wǎng)絡(luò)，(c)標(biāo)注 ImageNet 數(shù)據(jù)集中預(yù)訓(xùn)練的網(wǎng)絡(luò)。我們證明我們的網(wǎng)絡(luò)可以展示出相同類別物體的更多種類(如視角)。

【本文是51CTO專欄機(jī)構(gòu)“機(jī)器之心”的原創(chuàng)譯文，微信公眾號(hào)“機(jī)器之心( id: almosthuman2014)”】

戳這里，看該作者更多好文