CNN: single-label to multi-label总结
来源:互联网 发布:混沌之戒3修改存档数据 编辑:程序博客网 时间:2024/05/22 05:59
1,概述
首次看多目标检测的文章。文中指出多目标检测有两个框架:1)BoW,2)DL。BoW还没看过。当然本文用的是DL中的CNN(好处多多)。
首先,这篇文章是在程明明提出BING以后的一次应用。本文提出了一种HCP的框架结构(Hypotheses-CNN-Pooling),检测方法是利用BING和HS提取提取hypotheses作为CNN的输入,每个hypotheses产生一个c维的预测结果,然后通过max pooling得到最终的多目标检测。
2,训练
HCP的框架结构与“Imagenetclassification with deep convolutional neural networks”提到的结构相似。
Shared cnn的训练分两个部分:
1)initializationof HCP
这一部分又分为两步:
第一步:pre-trainingon single-label image set
对整幅图片resize,pre-train,提取patches扔到CNN中去训练;
第二步:image-tine-tuningon multi-label image set
把整幅图片(没有crop)resize以后作为训练样本得到c维的预测结果pi = [pi1; pi2; :::pic],label vecter为yi = [yi1; yi2;:::yic],The ground-truth probability vector定义为,并利用loss function微调
作者提到这一步很关键(I-FT),如果没有效果下降很明显。至于原因,3.2中有提到,多目标与单目标有很大的区别。
2)Hypotheses-fine-tuning
这一部分(H-FT)也很重要,因为对于去噪很关键。利用BING和HS得到的Hypotheses产生多个c维向量后max pool得到预测结果后利用第一部分第二步中的loss function微调
3,优点
1) nobounding box annotation 文中的训练采用的是label,costly少泛化能力高
2) 去噪能力好(前面提到)。
3) Hypotheses数量任意,没有明确的标签要求。
4) Sharedcnn可以用single label imageset微调,解决多目标训练效率低的问题
5) 输出即结果
- CNN: single-label to multi-label总结
- CNN: Single-label to Multi-label
- CNN: Single-label to Multi-label
- 论文笔记:CNN: Single-label to Multi-label
- multi-label datasets
- SVM - multi label
- label
- Label
- label
- Label
- label
- Label
- label
- label
- label
- Label
- label
- 论文笔记 | CNN-RNN:A Unified Framework for Multi-label Image Classification
- 按时发反反复复
- 程序员常去的14个顶级开发社区
- javaweb学习笔记:XML学习
- HTTP 错误 500.19 - 无法使用虚拟目录密码作为用户 administrator 在本地登录到
- android 关闭指定的Activity
- CNN: single-label to multi-label总结
- ti8168 eth0 启动
- 连连看算法
- PAT 1057 Stack 树状数组
- POJ3370 Halloween treats 抽屉原理
- sql 百万级数据库优化方案
- Java 向Hbase表插入数据报(org.apache.hadoop.hbase.client.HTablePool$PooledHTable cannot be cast to org.apac)
- UML用例图关系补充
- javaweb学习笔记:web应用的相关知识