SCOPS: 자기 지도 공유 부품 분할

부품은 카메라, 자세 및 외관 변동에 대해 강건한 중간 표현을 제공하여 객체를 잘 나타냅니다. 기존의 부품 분할 연구는 대량의 수작업 주석에 의존하는 감독된 접근 방식이 주류를 이루고 있으며, 미지의 객체 범주로 일반화할 수 없습니다. 우리는 기하학적으로 집중되고 객체 변동에 강건하며 다양한 객체 인스턴스 간에 의미론적으로 일관된 부품 세그먼트를 예측하는 데 도움이 되는 여러 손실 함수를 설계한 자기 감독 딥러닝 접근 방식을 제안합니다. 다양한 이미지 컬렉션에서 수행된 광범위한 실험 결과, 우리의 접근 방식이 기존의 자기 감독 기술보다 객체 경계를 더 잘 따르며, 다양한 객체 인스턴스 간에 더욱 의미론적으로 일관된 부품 세그먼트를 생성할 수 있음을 보여줍니다.