用于视觉识别的无监督部件学习
计算机视觉与模式识别
2017-04-13 v1 信息检索
摘要
基于部件的图像分类旨在通过少量学习到的判别性部件来表示类别，并在此基础上构建图像表示。十年前这一方向被视为极具前景，但自深度神经网络出现后便被忽视。在此背景下，本文做出两项贡献：首先，尽管端到端的整体模型近期取得成功，显式部件学习仍能提升分类性能。其次，本文比近期的基于部件的模型 (PBM) 更进一步，专注于如何在不使用任何标注数据的情况下学习部件。与 PBM 文献中通常为每个类别学习一组部件不同，所提方法将给定图像集划分为视觉相似的组，随后以完全无监督的方式为每组学习一组判别性部件。这一策略为 PBM 在图像类别概念不适用的新应用（如基于实例的图像检索）中打开了大门。实验表明，我们学习到的部件有助于构建高效的图像表示，在分类和索引任务上均优于整体最先进的深度卷积神经网络 (DCNN) 编码。
引用
@article{arxiv.1704.03755,
title = {Unsupervised part learning for visual recognition},
author = {Ronan Sicre and Yannis Avrithis and Ewa Kijak and Frederic Jurie},
journal= {arXiv preprint arXiv:1704.03755},
year = {2017}
}