基于网络监督的卷积网络学习
计算机视觉与模式识别
2015-10-09 v2
摘要
我们提出一种利用大量网络数据来学习CNN的方法。具体而言，受课程学习启发，我们提出一种用于CNN训练的两步法。首先，我们使用简单图像训练初始视觉表征。然后，利用该初始CNN，并通过借助数据和类别的结构，将其适配到更难、更真实的图像上。我们证明，我们的两阶段CNN在Pascal VOC 2012上优于在ImageNet上微调的CNN。我们还通过定位网络图像中的目标并训练一个R-CNN风格的检测器，展示了网络监督学习的优势。在未使用任何VOC训练数据的VOC 2007上，它取得了最佳性能。最后，我们表明我们的方法对噪声相当鲁棒，即使使用2013年3月（CNN前图像搜索时代）的图像搜索结果，性能也相当。
引用
@article{arxiv.1505.01554,
title = {Webly Supervised Learning of Convolutional Networks},
author = {Xinlei Chen and Abhinav Gupta},
journal= {arXiv preprint arXiv:1505.01554},
year = {2015}
}