Viraliency：池化局部病毒性
计算机视觉与模式识别
2017-03-16 v2
摘要
在我们这个过度连接的世界中，自动识别病毒性——即图像或视频在社交网络中迅速广泛传播的特性——至关重要，并最近引起了计算机视觉领域的兴趣。同时，深度学习架构的最新进展表明，全局池化策略允许提取激活图，这些图突出显示了图像中最可能包含某一类实例的部分。我们通过引入一个学习待平均支持区域大小的池化层来扩展这一概念：学习式Top-N平均（learned top-N average, LENA）池化。我们假设描述病毒性的潜在概念（特征图）可能需要这样一种丰富的池化策略。我们通过将LENA层附加在卷积孪生架构之上来评估其有效性，并在预测和定位病毒性的任务上评估其性能。我们报告了在两个公开可用的病毒性标注数据集上的实验，并表明我们的方法优于最先进的方法。
引用
@article{arxiv.1703.03937,
title = {Viraliency: Pooling Local Virality},
author = {Xavier Alameda-Pineda and Andrea Pilzer and Dan Xu and Nicu Sebe and Elisa Ricci},
journal= {arXiv preprint arXiv:1703.03937},
year = {2017}
}
备注
Accepted at IEEE CVPR 2017