• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>IEEE International Conference on Image Processing >Learning a compact latent representation of the Bag-of-Parts model
【24h】

Learning a compact latent representation of the Bag-of-Parts model

机译：学习零件袋模型的紧凑潜在表示

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

摘要

The Bag-of-Parts (BoP) model, which employs distinctive parts to represent images, has shown superior performance in vision recognition tasks. Our work is motivated by the need of reducing redundancy in tens of thousands parts. We propose a novel method to learn a compact latent representation from redundant part responses. We address this problem by employing spectral clustering and a multi-column coding scheme. The BoP model is viewed as a multi-scale convolutional model and additional sparse autoencoders are used to infer the latent patterns embedded in high-dimensional part-based representations. Spatial and semantic information is preserved by sparse learning on multiple spatial regions individually. Experiments demonstrate that the learnt representation achieves competitive performance with state-of-the-art methods on PASCAL VOC 2007 dataset.
机译：零件袋（BoP）模型采用独特的零件来表示图像，在视觉识别任务中表现出卓越的性能。我们的工作是出于减少成千上万个零件的冗余性的需要。我们提出了一种新颖的方法来从冗余零件响应中学习紧凑的潜在表示。我们通过采用频谱聚类和多列编码方案来解决此问题。 BoP模型被视为多尺度卷积模型，并且使用其他稀疏自动编码器来推断嵌入在基于高维零件表示中的潜在模式。通过在多个空间区域上分别进行稀疏学习来保留空间和语义信息。实验表明，所学习的表示形式可以通过PASCAL VOC 2007数据集上的最新方法来实现竞争性能。

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