PARN：用于稠密语义对应的金字塔仿射回归网络
计算机视觉与模式识别
2018-08-02 v2
摘要
本文提出了一种用于稠密语义对应的深度架构，称为金字塔仿射回归网络（PARN），其估计图像间局部变化的仿射变换场。为处理同一对象类别中不同实例间普遍存在的类内外观和形状变化，我们利用金字塔模型，其中仿射变换场以由粗到细的方式逐步估计，从而平滑性约束自然地施加于深度网络内。PARN 在每一层估计残差仿射变换并将其组合以估计最终仿射变换。此外，为克服语义对应训练数据不足的局限，我们提出了一种新颖的弱监督训练方案，通过利用图像对间的对应一致性来生成渐进监督。我们的方法以端到端方式完全可学习，且不需要量化无限的连续仿射变换场。据我们所知，这是首次尝试在深度网络内以由粗到细方式估计稠密仿射变换场的工作。实验结果表明，PARN 在各种基准上优于稠密语义对应的最先进方法。
引用
@article{arxiv.1807.02939,
title = {PARN: Pyramidal Affine Regression Networks for Dense Semantic Correspondence},
author = {Sangryul Jeon and Seungryong Kim and Dongbo Min and Kwanghoon Sohn},
journal= {arXiv preprint arXiv:1807.02939},
year = {2018}
}
备注
To appear in ECCV 2018