從來沒有見過的新物體，它也能進行很好地分割。

這是DeepMind研究出的一種新的學習框架：目標發現和表示網絡（Object discovery and representation networks，簡稱Odin）

以往的自我監督學習（SSL）方法能夠很好地描述整個大的場景，但是很難區分出單個的物體。

現在，Odin方法做到了，并且是在沒有任何監督的情況下做到的。

區分出圖像中的單個物體可不是很容易的事，它是怎么做到的呢？

方法原理

能夠很好地區分出圖像中的各個物體，主要歸功于Odin學習框架的“自我循環”。

Odin學習了兩組協同工作的網絡，分別是目標發現網絡和目標表示網絡。

目標發現網絡以圖像的一個裁剪部分作為輸入，裁剪的部分應該包含圖像的大部分區域，且這部分圖像并沒有在其他方面進行增強處理。

然后對輸入圖像生成的特征圖進行聚類分析，根據不同的特征對圖像中各個物體的進行分割。

目標表示網絡的輸入視圖是目標發現網絡中所生成的分割圖像。

視圖輸入之后，對它們分別進行隨機預處理，包括翻轉、模糊和點級顏色轉換等。

這樣就能夠獲得兩組掩模，它們除了剪裁之外的差異，其他信息都和底層圖像內容相同。

而后兩個掩模會通過對比損失，進而學習能夠更好地表示圖像中物體的特征。

具體來說，就是通過對比檢測，訓練一個網絡來識別不同目標物體的特征，同時還有許多來自其他不相干物體的“負面”特征。

然后，最大化不同掩模中同一目標物體的相似性，最小化不同目標物體之間的相似性，進而更好地進行分割以區別不同目標物體。

與此同時，目標發現網絡會定期根據目標表示網絡的參數進行相應的更新。

最終的目的是確保這些對象級的特性在不同的視圖中大致不變，換句話說就是將圖像中的物體分隔開來。

那么Odin學習框架的效果究竟如何呢？

能夠很好地區分未知物體

Odin方法在場景分割時，沒有先驗知識的情況下遷移學習的性能也很強大。

首先，使用Odin方法在ImageNet數據集上進行預訓練，然后評估其在COCO數據集以及PASCAL和Cityscapes語義分割上的效果。

已經知道目標物體，即獲得先驗知識的方法在進行場景分割時，效果要明顯好于其他未獲得先驗知識的方法。

而Odin方法即使未獲得先驗知識，其效果也要優于獲得先驗知識的DetCon和ReLICv2。

除此之外，Odin方法不僅可以應用在ResNet模型中，還可以應用到更復雜的模型中，如Swim Transformer。

在數據上，Odin框架學習的優勢很明顯，那在可視化的圖像中，Odin的優勢在何處體現了呢？

將使用Odin生成的分割圖像與隨機初始化的網絡（第3列），ImageNet監督的網絡（第4列）中獲得的分割圖像進行比較。

第3、4列都未能清晰地描繪出物體的邊界，或者缺乏現實世界物體的一致性和局部性，而Odin生成的圖像效果很明顯要更好一些。

參考鏈接：

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

[2] ?https://arxiv.org/abs/2203.08777