DeePM：一种用于目标检测与语义部件定位的深度部件模型
计算机视觉与模式识别
2016-01-27 v3
摘要
本文中，我们提出一种深度部件模型（DeePM）用于共生目标检测与语义部件定位。为此，我们在 PASCAL VOC 2012 数据集上为所有 20 个目标类别标注了语义部件，该数据集提供了目标姿态、遮挡、视角和功能的信息。DeePM 是一种基于最先进 R-CNN 框架的潜在图模型，它学习对象-部件配置的显式表示，并具有灵活的类型共享（例如，侧视马头可被完全可见的侧视马和高度截断仅含头颈的侧视马共享）。为进行比较，我们还提出了一种端到端的目标-部件（OP）R-CNN，其学习隐式特征表示，用于将图像 ROI 联合映射到目标和部件边界框。我们在 PASCAL VOC 2012 上评估了所提方法在目标和部件检测上的性能，表明 DeePM 在检测目标和部件上始终优于 OP R-CNN。此外，在目标检测中它取得了优于 Fast 和 Faster R-CNN 的性能。
引用
@article{arxiv.1511.07131,
title = {DeePM: A Deep Part-Based Model for Object Detection and Semantic Part Localization},
author = {Jun Zhu and Xianjie Chen and Alan L. Yuille},
journal= {arXiv preprint arXiv:1511.07131},
year = {2016}
}
备注
the final revision to ICLR 2016, in which some color errors in the figures are fixed