利用稀疏视角数据学习检测器的多视角先验

虽然当今大多数物体类别模型仅提供二维边界框，但人们期望获得更丰富的输出假设，包括视角、细粒度类别和三维几何估计。然而，训练能够提供丰富输出的模型需要大量的训练数据，最好能充分覆盖视角和细粒度类别等相关方面。本文从迁移学习的角度解决这一问题，设计了一种显式利用视觉特征之间相关性的物体类别模型。具体而言，我们的模型以参数化方式表示允许的多视角检测器的先验分布——这些先验从源物体类别的训练数据中学习一次，随后可用于促进目标类别检测器的学习。正如我们在实验中所展示的那样，这种迁移不仅有利于基于基本层级类别表示的检测器，还能实现细粒度层级类别检测器的鲁棒学习，而这些类别的训练数据通常更为稀缺且更不平衡。结果表明，我们在一个具有挑战性的街景最新数据集上，同时在二维物体定位和视角估计方面取得了显著的性能提升。