ProAlignNet：渐进对齐含噪轮廓的无监督学习
计算机视觉与模式识别
2020-05-26 v1 机器学习
摘要
轮廓形状对齐是计算机视觉中一个基础但极具挑战的问题，尤其当观测数据存在局部缺失、噪声严重且大幅错位时。近期提出的基于卷积网络的图像结构对齐架构，在处理形状的轮廓表示时往往失效，主要原因是其训练过程中使用了邻近不敏感的像素级相似性度量作为损失函数。本文提出一种新颖的卷积网络“ProAlignNet”，能够处理轮廓形状之间的大尺度错位与复杂变换。该网络以多尺度方式推断形变参数，并在尺度递增时逐步引入更复杂的变换。它通过一种新颖的损失函数进行无监督训练，学习对齐轮廓，且对噪声和缺失部分具有鲁棒性；该损失函数源自一种邻近敏感且依赖局部形状的相似性度量的上界，该度量使用了经典的形态学倒角距离变换。我们通过在模拟的MNIST含噪轮廓数据集上进行一系列基本合理性检验实验，评估了这些方法的可靠性。随后，我们在两个实际应用中展示了所提模型的有效性：(i) 将地理地块数据与航拍图像地图对齐，(ii) 精细化粗标注的分割标签。在这两个应用中，所提模型的表现始终优于现有最优方法。
引用
@article{arxiv.2005.11546,
title = {ProAlignNet : Unsupervised Learning for Progressively Aligning Noisy Contours},
author = {VSR Veeravasarapu and Abhishek Goel and Deepak Mittal and Maneesh Singh},
journal= {arXiv preprint arXiv:2005.11546},
year = {2020}
}
备注
Accepted at CVPR 2020