CrOC: Cross-View Online Clustering for Dense Visual Representation Learning

라벨 없이 밀도 높은 시각적 표현을 학습하는 것은 어려운 과제이며, 특히 장면 중심 데이터에서 더욱 그렇습니다. 우리는 이 도전적인 문제를 해결하기 위해 두 시점 간의 일관성을 유지하는 크로스-뷰 일관성 목표와 온라인 클러스터링 메커니즘(CrOC)을 제안하여 시점의 의미를 발견하고 분할합니다. 수작업으로 만든 사전 정보가 없는 경우, 결과적인 방법은 더 일반화될 수 있으며 복잡한 전처리 단계가 필요하지 않습니다. 더욱 중요한 점은 클러스터링 알고리즘이 두 시점의 특징에 동시에 작동하여, 두 시점 모두에서 표현되지 않는 내용과 한 부분에서 다른 부분으로 객체를 모호하게 매칭하는 문제를 우아하게 해결한다는 것입니다. 우리는 다양한 데이터셋에서 선형 및 비지도 분할 전송 작업에서 뛰어난 성능을 보여주며, 비디오 객체 분할에서도 유사한 성능을 입증하였습니다. 우리의 코드와事前训练的模型可以在 https://github.com/stegmuel/CrOC 公开获取.注：最后一句中的“事前训练的模型”应该是“预训练模型”的误译，正确的翻译如下：우리의 코드와 사전 훈련된 모델은 https://github.com/stegmuel/CrOC 에서 공개적으로 이용 가능합니다.