通过多样本学习在卷积网络上生长可解释部件图
计算机视觉与模式识别
2017-03-14 v2
摘要
本文提出一种学习策略，从预训练的卷积神经网络(CNN)中提取对象部件概念，试图 1) 探索 CNN 单元中隐藏的显式语义，以及 2) 在预训练 CNN 上逐步生长一个语义可解释的图模型，用于层次化对象理解。给定极少数(例如 3-12)对象上的部件标注，我们的方法从预训练 CNN 中挖掘某些潜在模式，并将它们与不同的语义部件相关联。我们使用一个四层 And-Or graph 来组织挖掘出的潜在模式，以澄清其内部的语义层次。我们的方法由少量部件标注引导，并在 PASCAL VOC 和 ImageNet 数据集上的部件中心预测中取得了优越性能(约 13%-107% 的提升)。
引用
@article{arxiv.1611.04246,
title = {Growing Interpretable Part Graphs on ConvNets via Multi-Shot Learning},
author = {Quanshi Zhang and Ruiming Cao and Ying Nian Wu and Song-Chun Zhu},
journal= {arXiv preprint arXiv:1611.04246},
year = {2017}
}
备注
in the Thirty-First AAAI Conference on Artificial Intelligence (AAAI-17)