Quad-networks：面向兴趣点检测的无监督排序学习
计算机视觉与模式识别
2017-04-12 v2 机器学习
神经与进化计算
摘要
许多机器学习任务需要仅用稀疏的兴趣点集合来表示数据。理想的检测器即使数据经历特定领域的典型变换，也能找到对应的兴趣点。由于该任务在计算机视觉中具有很高的实际价值，已有许多手工设计的解决方案被提出。本文提出一个根本性问题：我们能否从零开始学习这样的检测器？由于通常不清楚哪些点是“感兴趣的”，人工标注无法用于找到真正无偏的解决方案。因此，该任务需要无监督的形式化。我们首次提出这样一种形式化：训练神经网络以变换不变的方式对点进行排序。然后从该排序的顶部/底部分位数中提取兴趣点。我们在两个任务上验证了我们的方法：标准RGB图像兴趣点检测，以及RGB与深度图像之间具有挑战性的跨模态兴趣点检测。我们定量地表明，我们的无监督方法性能优于或与基线方法持平。
引用
@article{arxiv.1611.07571,
title = {Quad-networks: unsupervised learning to rank for interest point detection},
author = {Nikolay Savinov and Akihito Seki and Lubor Ladicky and Torsten Sattler and Marc Pollefeys},
journal= {arXiv preprint arXiv:1611.07571},
year = {2017}
}
备注
Accepted at CVPR 2017