全卷积多类多实例学习
计算机视觉与模式识别
2015-04-16 v4 机器学习
神经与进化计算
摘要
多实例学习（MIL）可以通过降低所需的监督程度来减少语义分割等任务中对昂贵标注的需求。我们提出了一种通过全卷积网络进行多类语义分割学习的新MIL公式。在此设定中，我们寻求仅从弱图像级标签学习语义分割模型。该模型端到端训练，在消除像素-图像标签分配歧义的同时联合优化表示。全卷积训练接受任意大小的输入，不需要目标建议预处理，并提供逐像素损失图以选择潜在实例。我们的多类MIL损失利用含多个标签的图像提供的额外监督。我们通过PASCAL VOC分割挑战的初步实验评估了该方法。
引用
@article{arxiv.1412.7144,
title = {Fully Convolutional Multi-Class Multiple Instance Learning},
author = {Deepak Pathak and Evan Shelhamer and Jonathan Long and Trevor Darrell},
journal= {arXiv preprint arXiv:1412.7144},
year = {2015}
}
备注
in ICLR 2015