设计用于连续物体方向估计的深度卷积神经网络
计算机视觉与模式识别
2017-02-07 v1
摘要
深度卷积神经网络（DCNN）已被证明对各种计算机视觉问题有效。本文通过提出并比较三种为DCNN设计的连续方向预测方法，展示了其在连续物体方向估计任务（要求预测物体0至360度方向）上的有效性。前两种方法将方向表示为单位圆上的一点，并最小化L2损失或角度差损失。第三种方法首先将连续方向估计任务转换为一组离散方向估计任务，然后使用均值漂移算法将离散方向输出转换回连续方向。通过在车辆方向估计任务和行人方向估计任务上评估，我们证明基于离散化的方法不仅优于其他两种方法，还达到了最先进性能。我们还证明，在将DCNN从图像识别任务迁移时，找到合适的特征表示对于获得良好性能至关重要。
引用
@article{arxiv.1702.01499,
title = {Designing Deep Convolutional Neural Networks for Continuous Object Orientation Estimation},
author = {Kota Hara and Raviteja Vemulapalli and Rama Chellappa},
journal= {arXiv preprint arXiv:1702.01499},
year = {2017}
}