guodong's blog

PhD@zhejiang university
   

论文阅读:Min-Entropy Latent Model for Weakly Supervised Object Detection(cvpr2018)

摘要: 弱监督和学习目标之间的不一致导致目标位置的随机性和检测器的歧义性。 本文提出了一种用于弱监督目标检测的最小熵潜模型(MELM)。 最小熵被用作衡量学习过程中对象定位随机性的指标,并用作学习对象位置的模型。 其目的主要是减少正例的方差并减轻检测器的歧义。 MELM被部署为两个子模型,分别通过最小化全局和局部熵来发现和定位对象。 MELM与特征学习相结合,并通过递归学习算法进行了优化,该算法将弱监督逐渐转移到对象位置。 实验表明,与最新方法相比,MELM显着提高了弱监督检测,弱监督定位和图像分类的性能。

量化次优解决方案并主要减少定位随机性的问题仍未解决。受经典热力学原理的启发:最小化熵可以使系统的随机性最小。 为了定义熵,将图像中的对象提议在空间上分成多个小团体,在其中对空间分布和对象的概率进行联合建模。 在学习过程中,使所有cliques discovers的全局熵最小化,以稀疏高目标概率的提议。使高得分cliques的局部熵最小化,以最小的随机性来确定准确的目标位置。 MELM被部署为与目标discovery和目标localization有关的网络分支。




上一篇:
下一篇:

头像

guodong

没有评论


你先离开吧:)



发表评论

电子邮件地址不会被公开。 必填项已用*标注