“部件”优先：基于语义部件的顶尖目标识别系统基准评测
计算机视觉与模式识别
2016-11-28 v2
摘要
对目标识别挑战排行榜(ILSVRC, PASCAL-VOC)的审视表明，表现最优的分类器在错误率/mAP方面的差异通常很小。为了更好地区分顶尖方法，需要额外的评判标准。此外，性能评分所依据的(测试)图像主要包含完全可见的目标。因此，需要使用模拟人类日常识别目标时所面临挑战性条件(如遮挡)的“更难”测试图像进行基准评测。为解决上述问题，我们做出两项贡献。第一，我们系统性地改变PASCAL VOC 2010图像中局部目标部件内容、全局细节和空间上下文的程度，创建了一个名为PPSS-12的新基准评测数据集。第二，我们提出了一种基于目标部件的基准评测流程，该流程量化了分类器对一系列可见性和上下文设置的鲁棒性。该基准评测流程依赖于一种语义相似性度量，该度量自然地处理了训练和测试数据集中类别标签之间潜在的语义粒度差异，从而消除了人工映射。我们使用该流程在PPSS-12数据集上对基于ILSVRC-2012数据集训练的顶尖分类器进行基准评测。结果表明，所提出的基准评测流程能够根据顶尖目标分类器处理缺失内容和不充分目标细节的能力，对它们进行额外区分。鉴于这种额外区分的能力，我们的方法有望补充目标识别挑战排行榜中现有的基准评测流程。
引用
@article{arxiv.1611.07703,
title = {'Part'ly first among equals: Semantic part-based benchmarking for state-of-the-art object recognition systems},
author = {Ravi Kiran Sarvadevabhatla and Shanthakumar Venkatraman and R. Venkatesh Babu},
journal= {arXiv preprint arXiv:1611.07703},
year = {2016}
}
备注
Extended version of our ACCV-2016 paper. Author formatting modified