Deep Relative Attributes

最新推荐文章于 2021-11-27 00:15:00 发布

xufengchi

最新推荐文章于 2021-11-27 00:15:00 发布

阅读量1.2k

点赞数 1

分类专栏： paper-read 文章标签： paper

本文链接：https://blog.csdn.net/xufengchi/article/details/52851240

版权

本文介绍了一种深度相对属性(DRA)算法，用于学习图像对的非线性排名函数。与传统方法相比，DRA模型在统一的卷积神经网络框架中联合学习视觉特征和排名函数，提升了相对属性学习的准确性。通过从ImageNet的大规模视觉识别任务转移知识，DRA解决了小规模标注数据的问题。实验表明，DRA在三个数据集上的性能优于现有方法，提高了8%，9%和14%的准确率。

摘要由CSDN通过智能技术生成

Relative Attributes 用于学习ranking function 来描述strength of the attribute. 多数当前的学习方法都是通过利用hand-crafted visual features对每个attribute学习到线性的ranking function.这篇论文我们提出 deep relative attributes (DRA)算法去学习 visual features ，并且得到描述成对图像相对属性的非线性 ranking function.这里 visual features 和 ranking function同时学习。DRA模型包含 5 convolutional neural layers, 5 fully connected layers, and a relative loss function which contains the contrastive constraint and the similar constraint corresponding to the ordered image pairs and the un-ordered image pairs,respectively.为了有效训练DRA，我们利用transferred knowledge from the large scale visual recognition on ImageNet.最后我们在3个数据集上进行实验，结果DRA确实比 the state-of-the-art relative attribute 学习方法要好一点。准确率提升 8%, 9%, and 14%。

当前许多相对属性的学习算法都是基于SVM框架的，得到的ranking score表示某属性相对其他图像的强度。相对属性学习算法的提升有一下三个方面：
1.Existing relative attribute methods rely on traditional hand-crafted features, such as gist descriptor , and color histogram ,which