Half-CNN：一种全图像回归的通用框架

Jun Yuan; Bingbing Ni; Ashraf A. Kassim

Half-CNN：一种全图像回归的通用框架

计算机视觉与模式识别 2014-12-23 v1 机器学习神经与进化计算

作者: Jun Yuan , Bingbing Ni , Ashraf A. Kassim

摘要

卷积神经网络 (CNN) 在图像分类方面取得了巨大成功。分类模型也可用于图像或补丁级别的其他许多应用，如目标检测和分割。在本文中，我们通过移除全连接层并使用连续特征图训练网络，提出了一种全图像 CNN 回归模型。这是一个适用于许多应用的通用回归框架。我们通过两个任务展示了该方法：同步人脸检测与分割，以及场景显著性预测。仅使用小规模网络，其结果即可与各领域的其他模型相媲美。由于回归模型是在对应的图像/特征图对上训练的，因此与分类模型不同，它对输入尺寸没有统一要求。我们的框架避免了分类器设计，这一过程可能在模型开发中引入过多的人工干预。然而，它与分类网络高度相关，并提供了对 CNN 结构的一些深入审视。

关键词

全图像回归卷积神经网络人脸检测与分割场景显著性预测连续特征图端到端学习

引用

@article{arxiv.1412.6885,
  title  = {Half-CNN: A General Framework for Whole-Image Regression},
  author = {Jun Yuan and Bingbing Ni and Ashraf A. Kassim},
  journal= {arXiv preprint arXiv:1412.6885},
  year   = {2014}
}

Half-CNN：一种全图像回归的通用框架

摘要

关键词

引用

相关论文