DeepCAMP：深度卷积动作与属性中层模式
计算机视觉与模式识别
2016-08-11 v1
摘要
人体动作识别与人体属性判定是需要细粒度分类的两项任务。事实上，为了区分不同类别，往往需要检测非常小且不显眼的物体和特征。为了应对这一挑战，我们提出了一种新型卷积神经网络，用于挖掘足以解析相应细微差别的中层图像块。具体而言，我们训练了新设计的 CNN（DeepPattern）以学习判别性图像块组。这有两个创新方面：一方面，我们以一种原创的方式关注上下文信息；另一方面，我们通过迭代特征学习和图像块聚类来净化所使用的专用图像块集合。我们在两个具有挑战性的数据集上验证了该方法用于动作分类的效果：PASCAL VOC 2012 Action 和 Stanford 40 Actions；对于属性识别，我们使用了 Berkeley Attributes of People 数据集。我们的判别性中层挖掘 CNN 在这些数据集上获得了 state-of-the-art 结果，且无需关于部位和姿态的标注。
引用
@article{arxiv.1608.03217,
title = {DeepCAMP: Deep Convolutional Action & Attribute Mid-Level Patterns},
author = {Ali Diba and Ali Mohammad Pazandeh and Hamed Pirsiavash and Luc Van Gool},
journal= {arXiv preprint arXiv:1608.03217},
year = {2016}
}
备注
in CVPR 2016