基于生成对抗与排序网络的弱监督目标发现
计算机视觉与模式识别
2018-04-18 v2
摘要
深度生成对抗网络（GAN）近来已被证明在不同计算机视觉应用中具有前景，如图像编辑、合成高分辨率图像、生成视频等。这些网络及相应学习机制可处理多种视觉空间映射。我们以一种新颖的训练方法与学习目标来处理 GAN，以针对三种情况发现多个目标实例：1）在杂乱场景中合成特定物体的图像；2）在图像中定位不同类别以进行弱监督目标检测；3）改进目标检测流程中的目标发现。我们方法的一个关键优势在于它学习了一种新的深度相似性度量，以区分一幅图像中的多个物体。我们证明该网络可作为编码器-解码器生成图像中包含物体的部分，或作为改进的深度 CNN 在有监督与弱监督方案中表示图像以用于目标检测。我们的排序 GAN 提供了一种通过图像搜索物体特定模式的新途径。我们针对不同场景进行了实验，并利用 MS-COCO 与 PASCAL VOC 数据集展示了该方法在物体合成及弱监督目标检测与分类上的性能。
引用
@article{arxiv.1711.08174,
title = {Weakly Supervised Object Discovery by Generative Adversarial & Ranking Networks},
author = {Ali Diba and Vivek Sharma and Rainer Stiefelhagen and Luc Van Gool},
journal= {arXiv preprint arXiv:1711.08174},
year = {2018}
}