深度价值网络学会评估并迭代优化结构化输出
机器学习
2017-08-09 v2 人工智能
计算机视觉与模式识别
摘要
我们通过优化深度价值网络 (DVN) 来精确估计给定输入下不同输出配置的任务损失，从而处理结构化输出预测问题。模型训练完成后，我们通过对输出变量的连续松弛进行梯度下降来执行推理，以找到价值网络给出有希望得分的输出。当应用于图像分割时，价值网络以图像和分割掩码作为输入，并预测一个标量来估计输入掩码与真实掩码之间的交并比。对于多标签分类，DVN 的目标是正确预测任何潜在标签配置的 F1 分数。DVN 框架在多标签预测和图像分割基准上取得了最先进的结果。
引用
@article{arxiv.1703.04363,
title = {Deep Value Networks Learn to Evaluate and Iteratively Refine Structured Outputs},
author = {Michael Gygli and Mohammad Norouzi and Anelia Angelova},
journal= {arXiv preprint arXiv:1703.04363},
year = {2017}
}
备注
Published at ICML 2017