基于因子化空间嵌入的物体关键点无监督学习
计算机视觉与模式识别
2017-08-08 v2 机器学习
摘要
自动学习物体类别的结构仍是计算机视觉中一个重要的开放问题。本文提出一种新颖的无监督方法，能够发现并学习物体类别中的关键点，从而刻画其结构。我们的方法基于分解图像形变（由视角变化或物体变形引起），通过学习一个深度神经网络来检测与此类视觉效应一致的关键点。此外，我们表明学到的关键点在类别内不同物体实例间建立了有意义的对应，而无需显式施加该要求。我们在多种物体类型（自然和人造）上定性评估了该方法。我们还展示了我们的无监督关键点在人脸基准数据集中对人工标注关键点具有高度预测性，并可用于以高精度回归这些点。
引用
@article{arxiv.1705.02193,
title = {Unsupervised learning of object landmarks by factorized spatial embeddings},
author = {James Thewlis and Hakan Bilen and Andrea Vedaldi},
journal= {arXiv preprint arXiv:1705.02193},
year = {2017}
}
备注
To be published in ICCV 2017