自我中心物体发现

生活记录 (Lifelogging) 设备正日益普及。这种增长为开发提取佩戴设备用户及其环境有意义信息的方法带来了巨大益处。在本文中，我们提出了一种半监督策略，用于轻松发现与佩戴第一人称相机的人员相关的物体。给定由相机获取的自我中心 (egocentric) 视频/图像序列，我们的算法利用通过卷积神经网络提取的外观特征，以及一种物体补充 (object refill) 方法，即使在图像集合中物体外观出现量很少的情况下也能发现物体。我们应用了 SVM 过滤策略来处理大多数最先进物体检测器发现的大量假阳性物体候选者。我们在一个新的包含 4 人获取的 4912 张日常图像的自我中心数据集 EDUB 上，以及在 PASCAL 2012 和 MSRC 数据集上验证了我们的方法。对于所有数据集，我们获得的结果均大幅优于最先进方法。我们公开了 EDUB 数据集和算法代码。