基于协同约束卷积神经网络的自拍检测
计算机视觉与模式识别
2016-11-15 v1
摘要
多媒体平台上海量数据的分类是一项关键任务。在这项工作中，鉴于自拍数量快速上升，我们提出一种新方法来解决网络上图像数据库分隔中的自拍检测这一微妙问题。建模一个卷积神经网络（CNN）以在头部和肩部朝向的公共子空间中学习协同特征，该子空间分别源自局部二值模式（LBP）和定向梯度直方图（HOG）特征。这种协同通过利用典型相关分析（CCA）投影上述特征来捕获。我们表明，所得网络在由SIFT捕获的空间关键点邻域中的卷积激活对于自拍检测具有判别性。总体而言，所提方法有助于捕获图像数据中存在的复杂性，并且除了自拍检测外，还有潜力用于其他微妙图像分析场景。我们调查并分析了用于其他图像分类任务的流行CNN架构（GoogleNet、AlexNet）在多媒体平台上检测自拍任务时的性能。在由大约相等数量自拍和非自拍组成的九万图像数据集上，将所提方法的结果与这些流行架构进行比较。该数据集上的实验结果显示了所提方法的有效性。
引用
@article{arxiv.1611.04357,
title = {Selfie Detection by Synergy-Constraint Based Convolutional Neural Network},
author = {Yashas Annadani and Vijayakrishna Naganoor and Akshay Kumar Jagadish and Krishnan Chemmangat},
journal= {arXiv preprint arXiv:1611.04357},
year = {2016}
}
备注
8 Pages, Accepted for Publication at IEEE SITIS 2016