基于流胶囊的无监督部件表示
计算机视觉与模式识别
2021-02-22 v2 机器学习
摘要
胶囊网络旨在将图像解析为对象、部件与关系的层次结构。尽管前景广阔，它们仍受限于无法学习有效的低层部件描述。为解决此问题，我们提出了一种从单幅图像中检测原子部件的初级胶囊编码器学习方法。在训练过程中，我们利用运动作为部件定义的强大感知线索，并在具有遮挡的分层图像模型中使用一个富有表现力的解码器进行部件生成。实验表明，在多个对象、杂乱背景和遮挡存在的情况下，该方法能鲁棒地发现部件。部件解码器推断出底层形状掩码，有效填补了所检测形状的遮挡区域。我们在无监督部件分割与无监督图像分类上评估了 FlowCapsules。
引用
@article{arxiv.2011.13920,
title = {Unsupervised part representation by Flow Capsules},
author = {Sara Sabour and Andrea Tagliasacchi and Soroosh Yazdani and Geoffrey E. Hinton and David J. Fleet},
journal= {arXiv preprint arXiv:2011.13920},
year = {2021}
}