用于通用物体提取的深度联合任务学习
计算机视觉与模式识别
2015-02-04 v1
摘要
本文研究了如何在不依赖手工特征和滑动窗口方法的情况下提取感兴趣物体，旨在联合解决两个子任务：(i) 快速从图像中定位显著物体，以及 (ii) 基于定位结果准确分割物体。我们提出了一个通用的联合任务学习框架，其中每个任务（物体定位或物体分割）均通过多层卷积神经网络处理，两个网络协同工作以提升性能。特别是，我们建议在联合优化方式中引入潜变量来桥接这两个网络。第一个网络直接从原始图像预测显著物体的位置和尺度，潜变量调整物体定位结果以输入第二个网络，从而生成像素级物体掩膜。我们提出了一种 EM 型方法进行优化，迭代包含两个步骤：(i) 利用两个网络，采用基于 MCMC 的采样方法估计潜变量；(ii) 在固定潜变量的情况下，通过反向传播联合优化两个网络的参数。大量实验表明，我们的框架在准确性和效率上均显著优于其他最先进方法（例如，比竞争方法快 1000 倍）。
引用
@article{arxiv.1502.00743,
title = {Deep Joint Task Learning for Generic Object Extraction},
author = {Xiaolong Wang and Liliang Zhang and Liang Lin and Zhujin Liang and Wangmeng Zuo},
journal= {arXiv preprint arXiv:1502.00743},
year = {2015}
}
备注
9 pages, 4 figures, NIPS 2014