基于弱监督胶囊网络的目标定位
计算机视觉与模式识别
2019-12-03 v3
摘要
受胶囊网络（CapsNet）的协议路由机制及其学习物体属性能力的启发，我们探究这些属性能否反过来决定物体的新属性，例如位置。随后我们提出了一种带有物体坐标原子以及具有非均匀分布初始路由概率的改进协议路由算法的胶囊网络架构。该模型基于胶囊网络，但使用路由算法在图像坐标系中寻找物体的近似位置。我们还讨论了如何通过坐标原子推导平移属性，并展示了稀疏表示的重要性。我们在带有类别标签的单数字运动 MNIST 数据集上训练模型。我们的模型比缺乏协议路由算法的卷积对应模型能更好地学习和推导数字的坐标，并且在多数字运动 MNIST 和 KTH 数据集上测试时也能表现良好。结果表明，我们的方法在无需像先前工作那样任何额外的定位技术与模块的情况下，在目标定位上达到了最先进的性能。
引用
@article{arxiv.1805.07706,
title = {Object Localization with a Weakly Supervised CapsNet},
author = {Weitang Liu and Emad Barsoum and John D. Owens},
journal= {arXiv preprint arXiv:1805.07706},
year = {2019}
}