神经激活星座：利用卷积网络的无监督部件模型发现
计算机视觉与模式识别
2015-12-08 v3
摘要
物体类别的部件模型对于困难的识别任务至关重要，其中类别差异微妙且仅反映在物体小部件的外观上。我们提出了一种能够以完全无监督方式学习部件模型的方法，无需部件标注，甚至在学习期间无需给定边界框。关键思想是找到使用卷积神经网络计算的神经激活模式星座。在我们的实验中，在无可用的部件或边界框标注情况下，我们在CUB200-2011、NA birds、Oxford PETS和Oxford Flowers数据集上优于现有的细粒度识别方法，并在Stanford Dog数据集上达到了最先进的性能。我们还展示了神经星座模型作为微调数据增强技术的益处。此外，由于我们的方法适用于通用和细粒度分类两种场景，本文统一了这两个领域。我们方法的源代码可在 http://www.inf-cv.uni-jena.de/part_discovery 在线获取。
引用
@article{arxiv.1504.08289,
title = {Neural Activation Constellations: Unsupervised Part Model Discovery with Convolutional Networks},
author = {Marcel Simon and Erik Rodner},
journal= {arXiv preprint arXiv:1504.08289},
year = {2015}
}
备注
Published at IEEE International Conference on Computer Vision (ICCV) 2015