可变形部件网络
机器学习
2018-05-24 v1 计算机视觉与模式识别
机器学习
摘要
本文提出新颖的可变形部件网络(DPNs)以学习用于二维物体识别的“姿态不变”表示。与最先进的姿态感知网络如 CapsNet \cite{sabour2017dynamic} 和 STN \cite{jaderberg2015spatial} 不同，DPNs 可自然地被“解释”为一个具挑战性的检测问题的高效求解器，即局部化可变形部件模型(LDPMs)，其中局部化作为另一潜变量被引入 DPMs，用于在全部像素与(预定义)尺度上搜索物体的最佳姿态。具体而言，我们将 DPNs 构建为此类 LDPM 单元组成的序列，以层次化组合与空间解析树来建模可变形部件之间的语义与空间关系。在经验上，我们的 17 层 DPN 在 affNIST \cite{sabour2017dynamic} 上可显著优于 CapsNets 与 STNs，例如分别高出 19.19% 与 12.75%，且具有更好的泛化能力与对仿射变换更好的容忍度。
引用
@article{arxiv.1805.08808,
title = {Deformable Part Networks},
author = {Ziming Zhang and Rongmei Lin and Alan Sullivan},
journal= {arXiv preprint arXiv:1805.08808},
year = {2018}
}