AnchorNet：一种用于学习几何敏感特征以进行语义匹配的弱监督网络
计算机视觉与模式识别
2017-04-18 v1
摘要
尽管近年来深度学习取得了显著进展，最先进的语义匹配方法仍然依赖于传统特征如 SIFT 或 HoG。我们认为，近期深度架构在分类任务上成功的关键——强不变性——使得它们不适合密集对应任务，除非使用大量监督。在这项工作中，我们提出了一个称为 AnchorNet 的深度网络，它生成非常适合语义匹配的图像表示。它依赖于一组滤波器，其响应在不同目标实例间几何一致，即使在存在强烈的类内、尺度或视角变化的情况下也是如此。仅使用弱图像级标签训练，最终表示成功捕获了关于目标结构的信息，并改进了最先进语义匹配方法（如可变形空间金字塔或 proposal flow 方法）的结果。我们在跨实例匹配任务（同一目标类别的不同实例进行匹配）以及新的跨类别语义匹配任务（对齐来自不同目标类别的各一对实例）上展示了积极结果。
引用
@article{arxiv.1704.04749,
title = {AnchorNet: A Weakly Supervised Network to Learn Geometry-sensitive Features For Semantic Matching},
author = {David Novotny and Diane Larlus and Andrea Vedaldi},
journal= {arXiv preprint arXiv:1704.04749},
year = {2017}
}
备注
Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017