SCOPS: 自教師あり共分割

部品は、カメラ、姿勢、外観の変動に対して堅牢な中間表現を提供し、物体の良い表現となります。既存の部品セグメンテーションに関する研究は、大量の手動アノテーションに依存する監督学習アプローチが主流であり、未見の物体カテゴリーへの汎化が困難です。本研究では、自己監督型深層学習アプローチを提案します。このアプロー�チでは、幾何学的に集中し、物体の変動に堅牢で、異なる物体インスタンス間でも意味論的に一貫した部品セグメントを予測するのに役立つ複数の損失関数を設計しました。さまざまな画像コレクションに対する広範な実験により、当方針が既存の自己監督技術と比較して、物体境界に従った部品セグメントを生成できることおよび物体インスタンス間での意味論的一貫性が高いことが示されています。