Kendi kendine denetimli yoğun görsel temsil öğrenimi

Bu tezde, kendi kendine denetimli yoğun görsel temsil öğrenimi üzerine çalışıyoruz. Nesne algılama ve örnek segmentasyonu gibi yoğun görevlerde kullanılmak üzere üç farklı yaklaşım öneriyoruz. İlkinde, kontrastlı öğrenmedeki yanlış negatif eşleştirme sorununu hafifletmek için hem görüntü hem de piksel düzeyinde tutarlılık düzenlemesi öneriyoruz. İkincisinde, bu stratejilerin zayıflıklarını ortadan kaldırmak için piksel düzeyinde uygulanan benzerlik ve mesafeye dayalı iki pozitif çift eşleştirme stratejisini birleştiriyoruz. Üçüncüsünde, görüntü seviyesinde önerilen ilişkisel öz denetimli çerçeveyi (ReSSL) yoğun seviyeye uyarlıyoruz. Yaygın uygulamanın aksine, bu yaklaşımları ImageNet üzerinde değil COCO veri kümesi üzerinde ön eğitime tabi tuttuk ve Pascal VOC nesne algılama ve COCO nesne algılama ve örnek segmentasyonu görevleri üzerinde değerlendirdik. Deneylerimizde, tutarlılık düzenlemesi, iki ayrı piksel düzeyinde eşleştirme stratejisinin birlikte kullanılması ve ReSSL'in piksel düzeyine uyarılmasının hem nicel hem de nitel olarak performansta artışa yol açtığını gözlemledik.