用于无监督目标共定位的生成对抗网络
计算机视觉与模式识别
2018-07-10 v2
摘要
本文提出了一种利用生成对抗网络（GANs）进行无监督目标共定位的新方法。GAN 是一种强大的工具，能够以无监督方式隐式学习未知数据分布。由 GAN 判别器受目标出现像素高度影响这一观察出发，我们分析了判别器的内部层并可视化了激活像素。我们的一个重要发现是，GAN 的高图像多样性（这是 GAN 研究的主要目标）讽刺地不利于目标定位，因为此类判别器不仅关注目标对象，还关注各种对象，例如背景对象。基于广泛的评估与实验研究，我们表明图像多样性与定位性能呈负相关。此外，我们的方法使用公开可用的基准数据集在无监督目标共定位上取得了有意义的准确率，甚至可与最先进的弱监督方法相媲美。
引用
@article{arxiv.1806.00236,
title = {Generative Adversarial Networks for Unsupervised Object Co-localization},
author = {Junsuk Choe and Joo Hyun Park and Hyunjung Shim},
journal= {arXiv preprint arXiv:1806.00236},
year = {2018}
}