摘要

我们提出了一种名为“Cut-and-LEaRn”（简称CutLER）的简单方法，用于训练无监督物体检测和分割模型。该方法利用了自监督模型在无需人工标注的情况下“发现”物体的特性，并将其放大以训练出最先进的定位模型而无需任何人类标签。CutLER首先使用我们提出的MaskCut方法为图像中的多个物体生成粗略的掩码，然后通过我们的鲁棒损失函数在这些掩码上学习一个检测器。我们进一步通过自训练模型来提高其性能，即让模型基于自身的预测进行训练。与先前的工作相比，CutLER更加简单，兼容不同的检测架构，并且能够检测多个物体。此外，CutLER是一个零样本无监督检测器，在11个不同领域的基准测试中（如视频帧、绘画、素描等），其检测性能AP50提高了超过2.7倍。经过微调后，CutLER作为少量样本检测器，在使用5%标签进行训练时，其APbox和APmask指标分别超过了MoCo-v2 7.3%和6.6%，在COCO数据集上的表现尤为突出。