通过稠密等变图像标注进行物体坐标系的无监督学习
计算机视觉与模式识别
2017-11-21 v2 机器学习
摘要
视觉感知的关键挑战之一是从受视点、遮挡、运动和变形等复杂干扰因素影响的视觉测量中提取3D物体及物体类别的抽象模型。从近期的视点分解思想出发，我们提出了一种新方法，在给定大量物体图像且无其他监督的情况下，可以提取稠密的以物体为中心的坐标系。该坐标系对图像的变形具有不变性，并配备了一个稠密等变标注神经网络，可将图像像素映射到其对应的物体坐标。我们展示了该方法对简单铰接物体和可变形物体（如人脸）的适用性，从随机合成变换或光流对应关系中学习嵌入，所有这些均无需任何人工监督。
关键词
引用
@article{arxiv.1706.02932,
title = {Unsupervised learning of object frames by dense equivariant image labelling},
author = {James Thewlis and Hakan Bilen and Andrea Vedaldi},
journal= {arXiv preprint arXiv:1706.02932},
year = {2017}
}
备注
NIPS 2017