基于卷积伪先验的自上而下结构化标注学习
计算机视觉与模式识别
2016-07-27 v2 机器学习
摘要
当前卷积神经网络（CNN）的实践仍主要是自下而上的，而自上而下过程在CNN中用于模式分析和视觉推断的作用尚不十分清晰。本文提出一种新方法，通过对真值标注开发卷积伪先验（ConvPP）来进行结构化标注。我们的方法有几个有趣特性：（1）与CRF和结构化SVM等经典机器学习算法相比，ConvPP自动学习丰富的卷积核以捕获短程和长程上下文；（2）与Auto-Context等级联分类器相比，ConvPP避免了学习一系列判别分类器的迭代步骤，并自动学习上下文配置；（3）与近期将CNN模型与CRF和RNN结合的尝试相比，ConvPP在标注空间中学习卷积，具有大大提升的建模能力且更少人工指定；（4）与MRF等贝叶斯模型相比，ConvPP利用卷积的丰富表示能力，通过自动学习基于卷积滤波器构建的先验。我们借助一种新颖定点网络结构下的伪似然近似来实现任务，该结构促进端到端学习过程。我们在序列标注和图像标注基准上展示了最先进的结果。
引用
@article{arxiv.1511.07409,
title = {Top-Down Learning for Structured Labeling with Convolutional Pseudoprior},
author = {Saining Xie and Xun Huang and Zhuowen Tu},
journal= {arXiv preprint arXiv:1511.07409},
year = {2016}
}
备注
To appear in ECCV 2016, 16 pages, 6 figures