摘要

对随机图像变换的等变性是一种有效的无监督学习方法，用于识别物体类别（如人脸中的眼睛和鼻子）的关键点。然而，这种方法并不能明确保证所学关键点在同一种物体的不同实例之间具有一致性，例如不同的人脸身份。在本文中，我们从一个新的角度探讨了等变性方法，指出密集关键点检测器可以被解释为具有类内变化不变性的局部图像描述符。随后，我们提出了一种直接的方法，在标准等变损失中强制实现这种不变性。具体做法是在几何匹配之前，交换不同物体实例图像之间的描述符向量。通过这种方式，无论考虑的具体物体身份如何，相同的向量都必须有效工作。我们利用这种方法学习了既可以作为局部描述符又可以作为密集关键点的向量，结合了两者的优点。在标准基准上的实验表明，该方法在无监督学习关键点方面可以达到甚至超过现有方法的最先进性能。代码可在 www.robots.ox.ac.uk/~vgg/research/DVE/ 获取。