结合前景检测与循环一致性的深度语义匹配
计算机视觉与模式识别
2020-04-02 v1
摘要
由于背景杂乱、显著的尺度与姿态差异以及较大的类内变化，建立物体实例间的稠密语义对应仍具挑战性。本文中，我们基于深度网络解决弱监督语义匹配问题，其中仅提供无人工关键点对应标注的图像对。为以这种更弱监督形式促进网络训练，我们 1）显式估计前景区域以抑制背景杂乱的影响，以及 2）发展循环一致损失以强制跨多幅图像预测的变换在几何上合理且一致。我们使用 PF-PASCAL 数据集训练所提模型，并在 PF-PASCAL、PF-WILLOW 和 TSS 数据集上评估性能。大量实验结果表明，所提方法优于当前最优方法。
引用
@article{arxiv.2004.00144,
title = {Deep Semantic Matching with Foreground Detection and Cycle-Consistency},
author = {Yun-Chun Chen and Po-Hsiang Huang and Li-Yu Yu and Jia-Bin Huang and Ming-Hsuan Yang and Yen-Yu Lin},
journal= {arXiv preprint arXiv:2004.00144},
year = {2020}
}
备注
ACCV 2018. PAMI 2020 extension: arXiv:1906.05857