组合模型与深度网络相结合以实现遮挡下的鲁棒目标分类
计算机视觉与模式识别
2020-01-30 v4
摘要
深度卷积神经网络 (DCNNs) 是强大的模型，在目标分类上取得了令人印象深刻的成果。然而，近期工作表明它们对部分遮挡目标及掩码攻击的泛化能力不佳。与 DCNNs 相反，组合模型对部分遮挡具有鲁棒性，但其判别力不如深度模型。本工作中，我们将 DCNNs 与组合目标模型相结合，以保留两种方法的优势：一种对部分遮挡和掩码攻击鲁棒的判别模型。我们的模型分两步学习。首先，训练一个标准 DCNN 用于图像分类。随后，我们将 DCNN 特征聚类为字典。我们表明字典分量类似于目标部件检测器，并学习了每一目标类别的部件空间分布。我们提出组合模型的混合形式，以应对空间激活模式的大幅变化（例如由目标三维姿态变化引起）。在运行时，图像首先由 DCNN 以前馈方式分类。预测不确定性被用于检测部分遮挡目标，进而由组合模型分类。我们的实验结果表明，组合模型与 DCNNs 的结合解决了当前计算机视觉深度学习方法的根本问题：该组合模型能识别遮挡目标，即便训练期间未接触过遮挡目标，同时在非遮挡目标上保持高判别性能。
引用
@article{arxiv.1905.11826,
title = {Combining Compositional Models and Deep Networks For Robust Object Classification under Occlusion},
author = {Adam Kortylewski and Qing Liu and Huiyu Wang and Zhishuai Zhang and Alan Yuille},
journal= {arXiv preprint arXiv:1905.11826},
year = {2020}
}
备注
WACV 2020