用于大规模知识迁移与自评估的关联嵌入
计算机视觉与模式识别
2014-07-31 v2
摘要
我们提出了一种在 ImageNet 中语义相关类别之间进行知识迁移的方法。通过将知识从具有边界框标注的图像迁移到其他图像，我们的方法能够自动为 ImageNet 填充更多的边界框乃至像素级分割。语义相关类别的对象外观相似这一基本假设，在我们新颖的关联嵌入（Associative Embedding, AE）表示中得以形式化。AE 恢复了图像窗口间外观变化的潜在低维空间。AE 空间的维度往往对应于窗口外观的各个方面（例如侧视图、特写、背景）。我们使用高斯过程（Gaussian Processes, GP）回归对窗口与对象的重叠进行建模，该回归将标注平滑地传播到整个 AE 空间。GP 的概率性质使我们的方法能够进行自评估，即为其自身的输出赋予质量估计。这使得可以在返回标注的数量与其质量之间进行权衡。一项涉及 219 个类别和 50 万张图像的大规模实验表明，我们的方法在对象定位和分割方面均优于最先进的方法和基线。利用自评估，我们可以自动为 30% 的图像返回具有高定位精度（即与真实标注的平均重叠率为 73%）的边界框标注。
引用
@article{arxiv.1312.3240,
title = {Associative embeddings for large-scale knowledge transfer with self-assessment},
author = {Alexander Vezhnevets and Vittorio Ferrari},
journal= {arXiv preprint arXiv:1312.3240},
year = {2014}
}
备注
A final CVPR version with a correction in (1). IEEE Computer Vision and Pattern Recognition, 2014