基于模型的主动学习以利用深度架构在真实场景中检测等距可变形物体
计算机视觉与模式识别
2018-06-11 v1
摘要
近年来，基于卷积神经网络（CNNs）的算法在物体识别中取得了重要进展。在每类物体有大量样本的情况下，标准数据集能很好地训练类间差异性。然而，为类中特定实例收集充足数据以进行训练是不现实的。此外，对给定数据集中每幅图像的成像条件进行定量评估也不可行。通过生成具有已知成像条件的充足图像，我们研究了在主动学习机制下，CNNs 能在多大程度上应对实例级识别的困难成像条件。利用强大的渲染技术实现实例级检测，我们给出了在场景中施加困难成像条件后，训练三种 SOTA 物体检测算法（即 Fast R-CNN、Faster R-CNN 和 YOLO9000）的结果。我们的大量实验使用性能最佳的 Faster R-CNN 在合成图像上取得了 0.92 的平均精度均值（mean Average Precision）分数，在真实图像上取得了 0.83。我们首次展示了基于深度架构的检测算法对于所研究的每种困难成像条件的表现。
引用
@article{arxiv.1806.02850,
title = {Model-based active learning to detect isometric deformable objects in the wild with deep architectures},
author = {Shrinivasan Sankar and Adrien Bartoli},
journal= {arXiv preprint arXiv:1806.02850},
year = {2018}
}
备注
Accepted in Computer Vision and Image Understanding