学习用于判别性定位的深度特征
计算机视觉与模式识别
2015-12-15 v1
摘要
在这项工作中，我们重新审视了[13]中提出的全局平均池化层，并阐明了它如何显式地使卷积神经网络尽管仅在图像级标签上训练却拥有显著的定位能力。虽然该技术先前被提出作为正则化训练的一种手段，但我们发现它实际上构建了一种通用的可定位深度表征，可应用于多种任务。尽管全局平均池化看似简单，我们仍能在ILSVRC 2014上实现37.1%的top-5错误率用于物体定位，这与全监督CNN方法取得的34.2% top-5错误率极为接近。我们证明了我们的网络能够在多种任务上定位判别性图像区域，尽管并未针对这些任务进行训练。
引用
@article{arxiv.1512.04150,
title = {Learning Deep Features for Discriminative Localization},
author = {Bolei Zhou and Aditya Khosla and Agata Lapedriza and Aude Oliva and Antonio Torralba},
journal= {arXiv preprint arXiv:1512.04150},
year = {2015}
}