通过保留其他变化因素学习物体识别

自然图像是在许多因素下生成的，包括形状、姿态、光照等。大多数现有的ConvNets将自然图像的物体识别表述为单任务分类问题，并试图学习对物体类别有用的特征，同时对其他变化因素尽可能保持不变。这些架构没有显式地学习其他因素（如姿态和光照），相反，它们通常通过池化和归一化将其丢弃。在这项工作中，我们采取相反的方法：我们通过保留其他因素（在我们的例子中是姿态）来训练ConvNets进行物体识别，并将它们与物体类别联合学习。我们设计了一种新的多任务学习（MTL）ConvNet，命名为解耦CNN（disCNN），它显式地强制物体身份和姿态的解耦表示，并被训练以预测物体类别和姿态变换。我们表明，在iLab-20M数据集（一个带有详细物体姿态和光照信息的大规模转台数据集）上，disCNN比仅训练用于预测物体类别的AlexNet获得了显著更好的物体识别准确率。我们进一步表明，在iLab-20M上预训练的disCNN/AlexNet特征可泛化到Washington RGB-D和ImageNet数据集上的物体识别，并且对于在ImageNet数据集上微调物体识别，预训练的disCNN特征显著优于预训练的AlexNet特征。