使用层次自监督在实例分割中无监督发现长尾现象

实例分割是计算机视觉中的一个活跃研究课题，通常通过在包含对象级掩码的非常大的数据集上使用监督学习方法来解决。为任何新领域获取这样的数据集可能非常昂贵且耗时。此外，针对特定注释类别训练的模型对未见过的对象泛化能力较差。本文的目标是提出一种方法，能够在实例分割中通过学习掩码区域的实例嵌入来实现长尾类别的无监督发现。利用图像中对象之间的丰富关系和层次结构，我们提出了用于学习掩码嵌入的自监督损失函数。在没有额外长尾对象注释的情况下，我们的模型在COCO数据集上训练后，能够发现比COCO中的常见类别更为新颖和细粒度的对象。实验结果表明，该模型在LVIS数据集上的定量表现与监督和部分监督方法相当。