基于贝叶斯风险最小化的深度嵌入方法及其在草图识别中的应用
计算机视觉与模式识别
2018-12-07 v1
摘要
本文研究手绘草图识别问题。受贝叶斯决策理论启发，我们提出了一种深度度量学习损失，其目标是最小化误分类的贝叶斯风险。我们在训练过程中对每个小批量估计该风险，并通过端到端可训练范式将其反向传播至深度神经网络以学习鲁棒的深度嵌入。尽管手绘草图图像中天然存在类内差异与类间相似性，我们所学习的嵌入仍具有判别性与鲁棒性。我们的方法在草图识别上优于当前最优（SOTA）方法，在 TU-Berlin-250 和 TU-Berlin-160 基准上分别取得了 82.2% 和 88.7% 的准确率。
引用
@article{arxiv.1812.02466,
title = {Deep Embedding using Bayesian Risk Minimization with Application to Sketch Recognition},
author = {Anand Mishra and Ajeet Kumar Singh},
journal= {arXiv preprint arXiv:1812.02466},
year = {2018}
}
备注
Accepted at ACCV 2018