边缘的无监督学习
计算机视觉与模式识别
2016-04-12 v2
摘要
数据驱动的边缘检测方法已被证明有效，并在现代基准上取得顶尖结果。然而，当前所有数据驱动的边缘检测器都需要以手工标注的区域分割或目标边界形式进行人工监督训练。具体而言，人类标注者标记语义上有意义的边缘，随后用于训练。这种强高层监督形式对于学习准确检测边缘是否确实必要？在本工作中，我们提出一种简单而有效的无人工监督训练边缘检测器的方法。为此，我们利用运动信息，更具体地，我们方法的唯一输入是帧间带噪声的半稠密匹配。我们从仅有的边缘初步知识（以图像梯度形式）出发，交替改进运动估计与边缘检测。使用大规模视频数据，我们展示了采用我们无监督方案训练的边缘检测器逼近全监督训练的同类方法性能（差距在3-5%内）。最后，我们展示当使用深度网络作为边缘检测器时，我们的方法为目标检测提供了一种新颖的预训练方案。
引用
@article{arxiv.1511.04166,
title = {Unsupervised Learning of Edges},
author = {Yin Li and Manohar Paluri and James M. Rehg and Piotr Dollár},
journal= {arXiv preprint arXiv:1511.04166},
year = {2016}
}
备注
Camera ready version for CVPR 2016