• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>IEEE Conference on Computer Vision and Pattern Recognition >Latent Topic Random Fields: Learning using a taxonomy of labels
【24h】

Latent Topic Random Fields: Learning using a taxonomy of labels

机译：潜在主题随机字段：使用标签的分类学习

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

An important problem in image labeling concerns learning with images labeled at varying levels of specificity. We propose an approach that can incorporate images with labels drawn from a semantic hierarchy, and can also readily cope with missing labels, and roughly-specified object boundaries. We introduce a new form of latent topic model, learning a novel context representation in the joint label-and-image space by capturing co-occurring patterns within and between image features and object labels. Given a topic, the model generates the input data, as well as a topic-dependent probabilistic classifier to predict labels for image regions. We present results on two real-world datasets, demonstrating significant improvements gained by including the coarsely labeled images.
机译：图像标记涉及与特异性不同的图像学习的重要问题。我们提出了一种方法，可以将图像与从语义层次结构中汲取的标签合并，也可以容易地应对缺少的标签和大致指定的对象边界。我们介绍了一种新的潜在主题模型，通过捕获图像特征和物体标签之间的共同发生模式和在图像特征和物体标签之间学习联合标签和图像空间中的新颖背景。给定主题，模型生成输入数据，以及主题依赖概率分类器，以预测图像区域的标签。我们在两个现实世界数据集上呈现结果，展示了通过包括粗略标记的图像获得的显着改进。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号