可供性（Affordance）的弱监督学习
计算机视觉与模式识别
2016-08-01 v2
摘要
定位物体的功能区域或可供性（affordance）是场景理解的一个重要方面。在这项工作中，我们将可供性分割问题视为语义图像分割问题。为了探索各种监督级别，我们引入了一个包含 3090 张图像的像素标注可供性数据集，其中有 9916 个物体实例，并提供了以人-物交互为形式丰富的上下文信息。我们在期望最大化（EM）框架内使用深度卷积神经网络，以利用弱标注数据（如图像级标注或关键点标注）。我们表明，当使用人体姿态作为上下文时，可以在性能损失极小的情况下进一步减少监督。
引用
@article{arxiv.1605.02964,
title = {Weakly Supervised Learning of Affordances},
author = {Abhilash Srikantha and Juergen Gall},
journal= {arXiv preprint arXiv:1605.02964},
year = {2016}
}