学习用于任意时刻场景标注的动态层次模型
计算机视觉与模式识别
2016-08-12 v1
摘要
随着对高效图像和视频分析需求的增加，场景解析的测试时成本对于许多大规模或时间敏感的视觉应用变得至关重要。我们提出了一种用于任意时刻场景标注的动态层次模型，该模型允许我们在像素级预测中实现效率与准确性之间的灵活权衡。具体而言，我们的方法结合了特征计算和模型推理的成本，并通过学习一系列图像自适应的层次模型，针对任何给定的测试时预算优化模型性能。我们将这种任意时刻表示学习 formulate 为一个具有离散 - 连续状态 - 动作空间的马尔可夫决策过程。基于带有动作提议机制的近似策略迭代方法，学习了高质量的特征和模型选择策略。我们在三个语义分割数据集上展示了动态非短视任意时刻场景解析的优势，该方法仅使用 的总体成本即可达到 state-of-the-art 性能的 。
引用
@article{arxiv.1608.03474,
title = {Learning Dynamic Hierarchical Models for Anytime Scene Labeling},
author = {Buyu Liu and Xuming He},
journal= {arXiv preprint arXiv:1608.03474},
year = {2016}
}
备注
Accepted by ECCV 2016