CutLER：更好地训练无监督识别模型

出品人：Towhee 技术团队 张晨、顾梦佳

Cut-and-LEaRn (CutLER) 提出一种简单的方法，用于训练无监督对象检测和分割模型。它根据预测对模型进行自我训练，以进一步提高性能。与之前的工作相比，CutLER 能够兼容不同架构的检测模型，并且可以识别多个对象。此外，CutLER 也是一种零样本无监督检测器。在视频帧、绘画、素描等领域的 11 个基准测试中，它将检测性能 AP50 提高了 2.7 倍以上。通过微调，CutLER 作为少样本检测器比 MoCo-v2 提高了 7.3%的 APbox 和 6.6% 的 APmask，而在数据集 COCO 上训练时只使用 5% 标签。

Overview of CutLER

CutLER 利用自监督模型的特性，在没有监督的情况下“发现”对象，并将其放大。它首先提出 MaskCut，从自监督 ViT 的图像特征中提取粗粒度的掩码。然后，它使用损失丢弃策略学习一个目标检测，对 MaskCut 遗漏的对象产生鲁棒性。经过多轮自我训练后，CutLER 能够训练出最先进的没有任何人工标签的定位模型。

相关资料：

• 代码地址：https://github.com/facebookresearch/CutLER
  

• 论文链接：Cut and Learn for Unsupervised Object Detection and Instance Segmentation
  

• 更多资料：一种无监督目标检测和实例分割方法