用于物体识别的多示例学习卷积神经网络
计算机视觉与模式识别
2016-10-12 v1
摘要
卷积神经网络（CNN）已在计算机视觉、语音识别和自然语言处理中展现出成功的应用。对于物体识别，CNN 可能受到其严格的标签要求以及一个隐含假设的限制，即图像应以目标物体为主导才能获得最优解。然而，需要标注目标物体位置的标记过程非常繁琐，使得高质量的大规模数据集成本高昂得令人望而却步。当深度网络面临训练数据不足的问题时，数据增强方案被广泛使用。通过数据增强产生的所有图像共享相同的标签，这可能存在问题，因为并非所有数据增强方法都能保持标签不变。在本文中，我们提出了一种弱监督 CNN 框架，名为多示例学习卷积神经网络（MILCNN）来解决这个问题。我们将 MILCNN 框架应用于物体识别，并在三个基准数据集：CIFAR10、CIFAR100 和 ILSVRC2015 分类数据集上报告了最先进的性能。
引用
@article{arxiv.1610.03155,
title = {Multiple Instance Learning Convolutional Neural Networks for Object Recognition},
author = {Miao Sun and Tony X. Han and Ming-Chang Liu and Ahmad Khodayari-Rostamabad},
journal= {arXiv preprint arXiv:1610.03155},
year = {2016}
}
备注
International Conference on Pattern Recognition(ICPR) 2016, Oral paper