学习没有人为监督的有效视觉表现是计算机愿景中的一个长期问题。自我监督学习算法的最新进展已经利用了对比学习,方法如SIMCLR,它将增强组成的方法施加到图像,并最大限度地减少两个增强图像之间的对比损耗。在本文中,我们呈现爪子,一个注释高效的学习框架,解决手动标记大规模农业数据集的问题以及异常检测和植物生长分析等潜在应用。爪子使用由SIMCLR的网络骨干,并弱监督探讨群集群中对比学习的影响。另外,我们在使用对比损耗函数之前最大化图像对之间的协议之前将硬注意掩模注入裁剪输入图像。此掩码强制该网络专注于相关的对象功能并忽略背景特征。我们使用带有227,060个样本的农业数据集进行监督SIMCLR和爪子之间的结果,其中包含由11种不同的作物类别组成的227,060个样本。我们的实验和广泛的评估表明,爪子达到了0.7325的竞争性NMI得分。此外,爪参加了具有最小参数调谐和形成明确定义的群集的非常大的数据集的低尺寸表示,其利用诸如高斯混合模型的高效,透明和高度可解释的聚类方法。
translated by 谷歌翻译