可变形部件模型即卷积神经网络
计算机视觉与模式识别
2014-10-02 v2
摘要
可变形部件模型 (DPMs) 和卷积神经网络 (CNNs) 是两种广泛使用的视觉识别工具。它们通常被视为截然不同的方法：DPMs 是图模型（马尔可夫随机场），而 CNNs 是“黑盒”非线性分类器。在本文中，我们展示了 DPM 可以被公式化为 CNN，从而提供了这两种思想的新颖综合。我们的构建涉及展开 DPM 推断算法，并将每一步映射到等效（有时是新颖的）CNN 层。从这个角度来看，用学习到的特征提取器替换 DPM 中使用的标准图像特征变得自然。我们将 resulting 模型称为 DeepPyramid DPM，并在 PASCAL VOC 上进行了实验验证。DeepPyramid DPM 显著优于基于方向梯度直方图 (HOG) 特征的 DPM，并略微优于最近推出的 R-CNN 检测系统的可比版本，同时运行速度快了一个数量级。
引用
@article{arxiv.1409.5403,
title = {Deformable Part Models are Convolutional Neural Networks},
author = {Ross Girshick and Forrest Iandola and Trevor Darrell and Jitendra Malik},
journal= {arXiv preprint arXiv:1409.5403},
year = {2014}
}