AutoCorrect：含几何噪声标注的深度归纳对齐
计算机视觉与模式识别
2019-08-15 v1
摘要
我们提出 AutoCorrect，一种从受几何噪声影响的标注数据集中自动学习对象-标注对齐的方法。该方法基于一致性损失，使得深度神经网络在仅以噪声标注为输入的情况下被训练以修正标注。当存在部分无噪声标注时，我们展示一致性损失可退化为更严格的自监督损失。我们还展示该方法可隐式利用对象对称性以降低修正噪声标注时产生的歧义。当图像中存在多个对象-标注对时，我们引入空间记忆图，使网络能够逐一顺序修正标注，同时考虑图像中所有其他标注及已执行的修正。通过消融实验，我们展示了这些贡献的益处，在地理空间影像上取得了优异结果。具体而言，我们使用一个新的铁路轨道数据集以及公开的 INRIA 建筑物基准展示结果，并在后者上取得了新的 SOTA 结果。
引用
@article{arxiv.1908.05263,
title = {AutoCorrect: Deep Inductive Alignment of Noisy Geometric Annotations},
author = {Honglie Chen and Weidi Xie and Andrea Vedaldi and Andrew Zisserman},
journal= {arXiv preprint arXiv:1908.05263},
year = {2019}
}
备注
BMVC 2019 (Spotlight)