融合显著图与区域提议的无监督单图像目标定位
计算机视觉与模式识别
2018-04-12 v1
摘要
本文研究单图像中目标的无监督定位问题。与先前最先进方法相比，我们的方法完全无监督，即图像没有任何先验的实例级或类别级信息。此外，我们单独处理每幅图像，不依赖任何邻域图像相似性。我们采用基于深度学习的显著图与区域提议生成来解决该问题。首先使用编码器/解码器架构确定图像中的显著区域。所得显著图与来自类别无关区域提议网络的区域提议进行匹配，以粗略定位候选目标区域。这些区域基于重叠度与相似度比例进一步精炼。我们在基准数据集上的实验评估表明，尽管当前最先进方法利用多帧图像，我们的方法在定位精度上已接近它们。此外，我们构建了一个更具挑战性和真实性的数据集，包含多目标类别以及变化的视角与光照条件，用于评估该方法在真实场景中的性能。
引用
@article{arxiv.1804.03905,
title = {Fusing Saliency Maps with Region Proposals for Unsupervised Object Localization},
author = {Hakan Karaoguz and Patric Jensfelt},
journal= {arXiv preprint arXiv:1804.03905},
year = {2018}
}
备注
7 pages, 4 figures, 6 tables, submitted to IEEE IROS2018 conference