Predicting Multiple Structured Visual Interpretations阅读笔记

<27> Predicting Multiple Structured Visual Interpretations
引用：Dey D , Ramakrishna V , Hebert M , et al. Predicting Multiple Structured Visual Interpretations[C]// IEEE International Conference on Computer Vision. IEEE, 2015.

百度学术可以下载http://xueshu.baidu.com/usercenter/paper/show?paperid=c3130c130e20ded54f950bef234526fc&site=xueshu_se

笔记：
核心问题是解决：结构化预测问题。

摘要：
针对单目姿态估计和语义场景分割等多种任务，提出了一种生成少量高召回率的结构化视觉输出的简单方法。目前最先进的方法是学习单个模型并修改推理过程 以产生少量不同的预测。我们采用修改学习过程的替代方法来直接优化结构输出预测器的序列回忆。

好处是我们的方法不引入新的参数，自然地学习不同的预测，不受任何特定的约束。

任务:
目标是优化召回并做到这一点,不是明确地执行多样性，而是最大化.多样性只是列表的一个性质。

训练期间训练单独的预测器，学习阶段产生的每一个假设，假设们构成列表。

这样做的目的是obtain marginal gain.

优点：

1.该方法是可适用于不可知框架的模型，来扩展任何结构化的预测算法，并且进行多个预测。现有的算法在任何任务领域学习只能产生单一的最佳预测，我们的方法可以通过训练多个实例进行多种预测。

2.该方法无参数. “我们的方法是无参数的。与此相反，目前最先进的方法是通过在目标函数中明确引入多样性建模术语来实现多样性。这些参数根据验证数据进行调整。目前还不清楚，以这种方式人为地加强多样性是否是当前任务实现最佳性能的正确方法”