松弛多示例SVM及其在目标发现中的应用
计算机视觉与模式识别
2015-10-06 v1 机器学习
摘要
多示例学习（MIL）已作为广泛的视觉应用（例如图像分类、目标检测和视觉跟踪）的重要工具。本文中，我们提出一种解决经典MIL问题的新方法，称为松弛多示例SVM（RMI-SVM）。我们将示例的正性视为连续变量，使用Noisy-OR模型强制MIL约束，并在统一框架中联合优化包标签与示例标签。该优化问题可利用随机梯度下降高效求解。大量实验表明，RMI-SVM在MIL各项基准上持续取得优越性能。此外，我们简单地将RMI-SVM应用于一项具有挑战性的视觉任务——通用目标发现。在Pascal VOC数据集上目标发现的当前最优结果进一步证实了所提方法的优势。
引用
@article{arxiv.1510.01027,
title = {Relaxed Multiple-Instance SVM with Application to Object Discovery},
author = {Xinggang Wang and Zhuotun Zhu and Cong Yao and Xiang Bai},
journal= {arXiv preprint arXiv:1510.01027},
year = {2015}
}