深度卷积神经网络中的部件检测器发现
计算机视觉与模式识别
2014-11-17 v2
摘要
当前的细粒度分类方法通常依赖于对物体部件的鲁棒定位，以提取适合判别任务的局部特征表示。然而，由于外观和姿态的巨大变化，部件定位是一项具有挑战性的任务。在本文中，我们展示了如何利用预训练的卷积神经网络进行鲁棒且高效的物体部件发现与定位，而无需在当前数据集上实际训练网络。我们称为“部件检测器发现”(PDD) 的方法基于分析网络输出的梯度图，并寻找与标注语义部件或边界框在空间上相关的激活中心。这不仅使我们在 CUB200-2011 数据集上获得了优异的性能，而且与以往方法相比，还能在测试时不需要给定边界框标注、训练时不需要真实部件标注的情况下，联合执行检测和鸟类分类任务。代码可在 http://www.inf-cv.uni-jena.de/part_discovery 和 https://github.com/cvjena/PartDetectorDisovery 获取。
引用
@article{arxiv.1411.3159,
title = {Part Detector Discovery in Deep Convolutional Neural Networks},
author = {Marcel Simon and Erik Rodner and Joachim Denzler},
journal= {arXiv preprint arXiv:1411.3159},
year = {2014}
}
备注
Accepted for publication on Asian Conference on Computer Vision (ACCV) 2014