從來沒有見過的新物體，它也能被很好地分割。
這是DeepMind研究出的一個新的學習框架：目標發現和表示網絡（Object discovery and representation networks，簡稱Odin）
以往的自我監督學習（SSL）方法能夠很好地描述整個大的場景，但是很難區分出單一的物體。
現在，Odin方法做到了，而且是在沒有任何監督的情況下做到的。
區分出影像中的單一物體可不是很容易的事，它是怎麼做到的呢？
能夠很好地區分出影像中的各個物體，主要歸功於Odin學習框架的「自我循環」。
Odin學習了兩組協同工作的網絡，分別是目標發現網絡和目標表示網絡。
目標發現網路以影像的一個裁剪部分作為輸入，裁剪的部分應該包含影像的大部分區域，而這部分影像並沒有在其他方面進行增強處理。
接著對輸入影像產生的特徵圖進行聚類分析，根據不同的特徵對影像中各個物體的進行分割。
目標表示網路的輸入視圖是目標發現網路中所產生的分割影像。
視圖輸入之後，分別對它們進行隨機預處理，包括翻轉、模糊和點級色彩轉換等。
這樣就能夠獲得兩組掩模，它們除了剪裁之外的差異，其他資訊都和底層圖像內容相同。
而後兩個掩模會透過對比損失，進而學習能夠更好地表示影像中物體的特徵。
具體來說，就是透過對比偵測，訓練一個網路來辨識不同目標物體的特徵，同時還有許多來自其他不相干物體的「負面」特徵。
然後，最大化不同掩模中同一目標物體的相似性，最小化不同目標物體之間的相似性，進而更好地進行分割以區別不同目標物體。
同時，目標發現網路會定期根據目標表示網路的參數進行對應的更新。
最終的目的是確保這些物件層級的特性在不同的視圖中大致不變，換句話說就是將影像中的物件分隔開來。
那麼Odin學習框架的效果究竟如何呢？
Odin方法在場景分割時，沒有先驗知識的情況下遷移學習的效能也很強大。
首先，使用Odin方法在ImageNet資料集上進行預訓練，然後評估其在COCO資料集以及PASCAL和Cityscapes語意分割上的效果。
已經知道目標物體，也就是獲得先驗知識的方法在進行場景分割時，效果要明顯優於其他未獲得先驗知識的方法。
而Odin方法即使未獲得先驗知識，其效果也要優於獲得先驗知識的DetCon和ReLICv2。
除此之外，Odin方法不僅可以應用在ResNet模型中，還可以應用到更複雜的模型中，如Swim Transformer。
在資料上，Odin框架學習的優勢很明顯，那在視覺化的影像中，Odin的優勢在何處體現了呢？
將使用Odin產生的分割影像與隨機初始化的網路（第3列），ImageNet監督的網路（第4列）中獲得的分割影像進行比較。
第3、4列都未能清楚地描繪出物體的邊界，或缺乏現實世界物體的一致性與局部性，而Odin所產生的影像效果很明顯較好。
參考連結：
[1] https://twitter.com/DeepMind/status/1554467389290561541
[2] https://arxiv.org/abs/2203.08777
以上是未知物體也能輕易辨識分割，效果可遷移的詳細內容。更多資訊請關注PHP中文網其他相關文章！
