基于新物体深度激活特征可判别性的网络对比研究
计算机视觉与模式识别
2022-02-09 v1
摘要
特征提取一直是计算机视觉领域的关键组成部分。近年来，最先进的计算机视觉算法已将深度神经网络（DNN）引入特征提取环节，从而产生了深度卷积激活特征（DeCAF）。DNN知识域的可迁移性使得预训练DNN特征提取在具有新物体类别（尤其是训练数据有限者）的应用中得到广泛使用。本研究分析了六种主流视觉识别DNN架构的DeCAF空间中编码的新物体视觉外观的通用可判别性。本研究的结果刻画了在两个视觉物体跟踪基准数据集上DeCAF物体流形之间的马哈拉诺比斯距离与余弦相似度。每个物体周围背景也作为流形分析中的物体类别，从而提供了更广泛的新类别。本研究发现，不同的网络架构导致不同的网络特征关注点，在网络选择过程中必须加以考虑。这些结果由VOT2015和UAV123基准数据集生成；然而，所提方法可应用于高效比较任意带标签视觉数据集上的估计网络性能特征。
引用
@article{arxiv.2202.03695,
title = {Network Comparison Study of Deep Activation Feature Discriminability with Novel Objects},
author = {Michael Karnes and Alper Yilmaz},
journal= {arXiv preprint arXiv:2202.03695},
year = {2022}
}