cvpr15论文汇报精要.pptxVIP

Cvpr15论文阅读报告 王岳青 segDeepM: Exploiting Segmentation and Context in Deep Neural Networks for Object Detection 概述 应用 物体检测 算法 使用RCNN抽取外观特征和上下文特征 加入segmentation特征 解决的问题 使用RCNN等算法无法准确框住物体 已有方法只关注候选框的位置，没有加入分割特征 segDeepM: Exploiting Segmentation and Context in Deep Neural Networks for Object Detection Observation 网络深度越深，训练数据越多，精度是否越高？ 针对ImageNet数据集，网络深度越深，其精度越高 针对物体识别问题，网络深度越深，训练集越大，精度是否越高有待商榷 未来的趋势是设计更简单的网络取得更好的效果 已有的物体检测方法 获取候选框，用CNN为候选框打分 用high-end bottom-up分割方法获得更好的候选框后，性能提高幅度不大 segDeepM: Exploiting Segmentation and Context in Deep Neural Networks for Object Detection 思路 在RCNN的基础上增加对Segmentation和Context的特征 Appearance特征 用RCNN得到的特征（即候选框warp为227*227后用CNN抽取的4096维特征） segDeepM: Exploiting Segmentation and Context in Deep Neural Networks for Object Detection 思路 Segmentation特征 segDeepM: Exploiting Segmentation and Context in Deep Neural Networks for Object Detection 思路 Context特征 在原候选框的基础上按照一定比例扩大框，使得其包含候选框的上下文 将增大的框送入CNN抽取特征 segDeepM: Exploiting Segmentation and Context in Deep Neural Networks for Object Detection 训练过程 给定一组有N个候选框的图片，以及候选框物体的标签 给定每个图片的分割（用CPMC算法得到） 代价函数为： segDeepM: Exploiting Segmentation and Context in Deep Neural Networks for Object Detection 结果 FlowWeb: Joint Image Set Alignment by Weaving Consistent, Pixel-wise Correspondences 概述 应用 Correspondence：建立不同图片的相似点或区域之间的联系（光流法、SIFT关键点匹配） 算法 FlowWeb：全连接的通信流向图 每个节点表示一张图片，边表示两张图片的flow field（一副图中的各个像素在另一幅图中的位置变化） 解决的问题 目前的算法无法准确找到相似点 FlowWeb: Joint Image Set Alignment by Weaving Consistent, Pixel-wise Correspondences Motivation 如何找到相似物体的内在联系（像素级） 即使使用最新的算法，找到的像素级相似点仍然存在较大差别 目标是改善这种情况 FlowWeb: Joint Image Set Alignment by Weaving Consistent, Pixel-wise Correspondences Approach 给定N张图片，构建一个包含N个节点的图 图的节点表示图片，Tij表示图片之间的flow field，为M*2维的矩阵 M表示像素点数目，2表示坐标维度，Tij表示i图片到j图片的各个像素位置变化关系 Cycle consistency 如果多张图片的相似点构成一个环，则其和必然为0 如果有三张图片i,j,k属于一个一致环，则必然有 FlowWeb: Joint Image Set Alignment by Weaving Consistent, Pixel-wise Correspondences Approach 几个定义： single flow cycle consistency (SFCC) 对于图片i和j中的相似点p和q，总能在环中其他图片找到相似点k（唯一），SFCC