面向图分解的端到端学习
计算机视觉与模式识别
2018-12-27 v1
摘要
我们提出一种新颖的可端到端训练的图分解问题框架。最小代价多割问题首先被转化为一个无约束的二元三次公式，其中圈一致性约束被并入目标函数。这一新优化问题可视为条件随机场（CRF），其中随机变量与初始图的二元边标签相关联，且硬约束作为高阶势函数引入 CRF。标准神经网络与完全可微 CRF 的参数以端到端方式优化。此外，我们的方法通过将输出随机变量间的依赖性纳入考虑，利用圈约束作为元监督信号来学习深度特征表示。我们给出了端到端学习表示的析，展示了联合训练在 MNIST 图像聚类任务上的影响。我们还在具有挑战性的真实世界多人姿态估计任务上验证了该方法在特征学习与最终聚类上的有效性。
引用
@article{arxiv.1812.09737,
title = {End-to-end Learning for Graph Decomposition},
author = {Jie Song and Bjoern Andres and Michael Black and Otmar Hilliges and Siyu Tang},
journal= {arXiv preprint arXiv:1812.09737},
year = {2018}
}