本文介绍了自监督学习在3D上下文特征学习、视觉表示学习以及视频几何变换中的应用。研究显示增加未标记数据的规模和使用更大的预训练模型可以提升自监督学习的效果。同时，Mix-and-Match调优方法被用于自我监督语义分割任务，通过颜色化预训练、M&M调优和目标分割任务实现性能提升。此外，Jigsaw++任务通过替换网格中的图像块以增强学习难度。最后，DeepCluster方法利用聚类产生伪标签进行预训练。
How to learn from unlabeled volume data: Self-Supervised 3D Context Feature Learning
Author：Maximilian Blendowski（University of L¨ubeck, Germany）
提出的2.5D的自监督方法，预测不同slice之间某两点的相对位移。使用两个预测网络：直接数值预测和热力图方法。主要用于胸片数据。
Scaling and Benchmarking Self-Supervised Visual Representation Learning
Author：Priya Goyal 等（Facebook）
提出了几个self-supervised 的trick：
-
increasing the size of pre-training data improves the transfer learning performance for both the Jigsaw and Colorization methods
-
Pre-trai
最低0.47元/天 解锁文章
扫一扫
4157
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
