层次组合模型的贪心结构学习
计算机视觉与模式识别
2019-04-16 v4
摘要
在这项工作中，我们考虑从一组图像中学习对象的层次生成模型的问题，这些图像展示了对象在可变背景杂波存在下的示例。解决此问题的现有方法受限于对对象几何结构做出强先验假设，并且需要分割的训练数据进行学习。在本文中，我们提出了一种学习层次组合模型（HCMs）的新框架，其不受上述限制的影响。我们给出了HCMs的广义公式，并描述了一种贪心结构学习框架，该框架由两个阶段组成：自底向上部件学习和自顶向下模型组合。我们的框架通过背景模型将前景-背景分割问题整合到结构学习任务中。因此，我们可以仅基于类别标签联合优化层次中的层数、每层的部件数量以及前景-背景分割。我们表明，学习到的HCMs具有语义意义，并且在标准迁移学习数据集上与其它生成式对象模型相比在对象分类上取得了具有竞争力的结果。
引用
@article{arxiv.1701.06171,
title = {Greedy Structure Learning of Hierarchical Compositional Models},
author = {Adam Kortylewski and Aleksander Wieczorek and Mario Wieser and Clemens Blumer and Sonali Parbhoo and Andreas Morel-Forster and Volker Roth and Thomas Vetter},
journal= {arXiv preprint arXiv:1701.06171},
year = {2019}
}
备注
CVPR 2019