卷积通道特征 (Convolutional Channel Features)
计算机视觉与模式识别
2015-09-25 v3
摘要
深度学习方法是强大的工具，但常受限于高昂的计算成本和有限的灵活性。另一种方案是将轻量级模型与深度表示相结合。尽管在若干视觉问题中存在成功案例，但缺乏统一框架。本文中，我们重新审视计算机视觉中两种广泛使用的方法，即滤波通道特征与卷积神经网络（Convolutional Neural Networks, CNN），并吸收两者优点，提出一种称为卷积通道特征（Convolutional Channel Features, CCF）的集成方法。CCF将预训练CNN模型的低级特征迁移至提升森林模型。通过结合CNN特征与提升森林，CCF相较于通道特征具有更丰富的特征表示能力，且相较于端到端CNN方法具有更低的计算与存储成本。我们表明，CCF通过将预训练CNN模型适配到多样化任务而无需针对每个任务微调整个网络，在行人检测、人脸检测、边缘检测和目标提议生成中取得了最先进的性能。
引用
@article{arxiv.1504.07339,
title = {Convolutional Channel Features},
author = {Bin Yang and Junjie Yan and Zhen Lei and Stan Z. Li},
journal= {arXiv preprint arXiv:1504.07339},
year = {2015}
}
备注
9 pages, 5 figures, 6 tables; ICCV 2015 camera-ready version