用于物体形状检测的判别式训练 And-Or 图模型
计算机视觉与模式识别
2015-02-03 v1
摘要
本文研究了一种新型可重构部件模型，即 And-Or 图模型，用于识别图像中的物体形状。我们提出的模型包含四层：底部的叶节点是用于检测轮廓片段的局部分类器；叶节点上方的 or-节点作为开关以激活其子叶节点，使模型在推理过程中可重构；更高层的 and-节点捕捉整体形状形变；顶部的根节点（也是一个 or-节点）激活其子 and-节点之一以应对大幅度的全局变化（例如不同的姿态和视角）。我们提出了一种新颖的结构优化算法，从弱标注数据中判别式地训练 And-Or 模型。该算法迭代地确定模型结构（例如节点及其布局）以及参数学习。在多个具有挑战性的数据集上，我们的模型展示了在执行基于形状的鲁棒物体检测以对抗背景杂乱方面的有效性，并优于其他最先进的方法。我们还发布了一个带有标注的新形状数据库，其中包含超过 1500 个具有挑战性的形状实例，用于识别和检测。
引用
@article{arxiv.1502.00341,
title = {Discriminatively Trained And-Or Graph Models for Object Shape Detection},
author = {Liang Lin and Xiaolong Wang and Wei Yang and Jian-Huang Lai},
journal= {arXiv preprint arXiv:1502.00341},
year = {2015}
}
备注
15 pages, 14 figures, TPAMI 2014