通用 ConvNets 中局部图像性质的持久证据
计算机视觉与模式识别
2014-11-25 v1
摘要
用于物体分类的卷积网络的监督训练应当明确任何与物体类别相关的信息，并忽略与图像采集或物体类别内变化相关的任何辅助信息。实践中是否如此？虽然这似乎涉及网络的最终层，但当我们观察较早的层时，发现情况并非如此。令人惊讶的是，强烈的空间信息是隐含存在的。本文解决了这一问题，特别是利用了第一个全连接层的图像表示，即最近已被证明在一系列视觉识别任务中最有效的全局图像描述符。我们在四种不同任务的背景下实证展示了这一发现的证据：2D 地标检测、2D 物体关键点预测、输入图像 RGB 值的估计以及每个像素语义标签的恢复。我们的调查基于一个在这些任务中通用的带有岭回归的简单框架，并展示了所有支持我们见解的结果。此类空间信息可用于以高精度计算地标的对应关系，但潜在地也可用于改进用于分类目的的卷积网络的训练。
引用
@article{arxiv.1411.6509,
title = {Persistent Evidence of Local Image Properties in Generic ConvNets},
author = {Ali Sharif Razavian and Hossein Azizpour and Atsuto Maki and Josephine Sullivan and Carl Henrik Ek and Stefan Carlsson},
journal= {arXiv preprint arXiv:1411.6509},
year = {2014}
}