使用掩码受限玻尔兹曼机的前景-背景分割弱监督学习
机器学习
2011-07-20 v1 计算机视觉与模式识别
摘要
我们提出了一种受限玻尔兹曼机(RBM)的扩展，该扩展允许在杂乱图像中独立于背景对前景物体的联合形状和外观进行建模。我们提出了一种学习方案，该方案直接从杂乱图像中学习这种表示，且仅需非常弱的监督。该模型生成合理的样本并执行前景-背景分割。我们证明，在识别任务中，独立于背景表示前景物体可能是有益的。
引用
@article{arxiv.1107.3823,
title = {Weakly Supervised Learning of Foreground-Background Segmentation using Masked RBMs},
author = {Nicolas Heess and Nicolas Le Roux and John Winn},
journal= {arXiv preprint arXiv:1107.3823},
year = {2011}
}