分类器无关的显著性图提取
机器学习
2020-07-21 v3 人工智能
计算机视觉与模式识别
神经与进化计算
机器学习
摘要
当前可用的显著性图提取方法识别输入中对某个特定固定分类器最为重要的部分。我们表明，这种对给定分类器的强依赖性损害了它们的性能。为解决此问题，我们提出分类器无关的显著性图提取，其寻找图像中任何分类器都可能使用的部分，而非仅预先给定的某一个。我们观察到，所提方法相比先前工作能提取更高质量的显著性图，同时在概念上简单且易于实现。该方法在ImageNet数据的定位任务上确立了新的SOTA结果，胜过了所有现有的弱监督定位技术，尽管在推理时未使用真实标签。复现结果的代码见 https://github.com/kondiz/casme 。本手稿的最终版本发表于Computer Vision and Image Understanding，可在线获取：https://doi.org/10.1016/j.cviu.2020.102969 。
关键词
引用
@article{arxiv.1805.08249,
title = {Classifier-agnostic saliency map extraction},
author = {Konrad Zolna and Krzysztof J. Geras and Kyunghyun Cho},
journal= {arXiv preprint arXiv:1805.08249},
year = {2020}
}