跳到正文
arXiv · 机器人与计算机视觉· Alice V. De Lorenci, Seungeun Yi, Theo Moutakanni, Piotr Bojanowski, Camille Couprie, Juan C. Caicedo, Wolfgang M. Pernice·· 2 天前精选AI 评分78

Scaling Channel-Adaptive Self-Supervised Learning

Scaling Channel-Adaptive Self-Supervised Learning

AI 导读

该论文针对非 RGB 科学成像(如生物、医学和卫星图像)中数据集通道组成异质性的问题,提出 DINO BoC 方法。研究发现,在大规模数据训练下,独立编码通道的策略显著优于联合编码方法。该方法在从细胞显微镜到地理空间图像的广泛实验验证中表现优异,特别是在分布外任务和无见过组合的泛化上达到新的 SOTA。作者开源了用于荧光显微镜的新型通用特征提取器的代码和模型权重。

推荐理由

论文提出 DINO BoC 方法,证明在大规模数据下独立编码通道优于联合编码,并在荧光显微镜等基准上刷新 SOTA。

来源:arXiv · 机器人与计算机视觉 · arxiv.org