语义迁移特征上的物理启发优化：一种房间布局估计的替代方法
计算机视觉与模式识别
2017-07-04 v1
摘要
本文中，我们提出一种估计杂乱室内场景房间布局的替代方法。该方法受益于两种新技术。第一种是语义迁移 (ST)，即：(1) 一种将场景杂乱与房间布局之间的关系整合到卷积神经网络中的公式；(2) 一种可端到端训练的架构；(3) 一种在不平衡训练数据分布下为极深网络初始化权重的实用策略。ST 使我们能够在各种情况下提取高度鲁棒的特征，并且为了解决这些特征中隐藏的计算冗余，我们开发了一种称为物理启发优化 (PIO) 的基于原理且高效的推断方案。PIO 的基本思想是将 ST 特征中观察到的一些现象表述为力学概念。在公开数据集 LSUN 和 Hedau 上的评估表明，所提方法比最先进的方法更准确。
引用
@article{arxiv.1707.00383,
title = {Physics Inspired Optimization on Semantic Transfer Features: An Alternative Method for Room Layout Estimation},
author = {Hao Zhao and Ming Lu and Anbang Yao and Yiwen Guo and Yurong Chen and Li Zhang},
journal= {arXiv preprint arXiv:1707.00383},
year = {2017}
}
备注
To appear in CVPR 2017. Project Page: https://sites.google.com/view/st-pio/