通过深度描述子变换实现无监督目标发现与共定位
计算机视觉与模式识别
2017-07-21 v1
摘要
随着计算机视觉和机器学习应用的快速扩展，可复用的模型设计变得令人期待。在本文中，我们关注预训练深度卷积模型的可复用性。具体而言，不同于将预训练模型视为特征提取器，我们揭示了卷积层之下更多的宝藏，即卷积激活可以作为图像共定位问题中常见目标的检测器。我们提出了一种简单而有效的方法，称为深度描述子变换（DDT），用于评估描述子之间的相关性，进而获得类别一致区域，从而能够在一组未标记图像中准确定位常见目标，即无监督目标发现。实证研究验证了所提出的 DDT 方法的有效性。在基准图像共定位数据集上，DDT 以巨大优势持续优于现有的 SOTA 方法。此外，DDT 还展示了对未见类别的良好泛化能力以及处理噪声数据的鲁棒性。除此之外，DDT 还可用于将网络图像收集为有效的外部数据源，以提升图像识别和目标检测的性能。
引用
@article{arxiv.1707.06397,
title = {Unsupervised Object Discovery and Co-Localization by Deep Descriptor Transforming},
author = {Xiu-Shen Wei and Chen-Lin Zhang and Jianxin Wu and Chunhua Shen and Zhi-Hua Zhou},
journal= {arXiv preprint arXiv:1707.06397},
year = {2017}
}
备注
This paper is extended based on our preliminary work published in IJCAI 2017 [arXiv:1705.02758]