首页 → 语言学
   首页 → 文学
   首页 → 社会学
0


无监督结构学习：层次递归组合、可疑巧合和竞争排斥

Unsupervised Structure Learning: Hierarchical Recursive Composition, Suspicious Coincidence and Competitive Exclusion
课程网址: http://videolectures.net/icml09_yuille_usle/  
主讲教师: Alan L. Yuille
开课单位: 加州大学洛杉矶分校
开课时间: 2009-08-26
课程语种: 英语
中文简介:
我们描述了一种用于可变形对象的分层组合模型（HCM）的无监督结构学习的新方法。在我们获得包含杂乱背景中的对象的图像的训练数据集但我们不知道对象的位置或边界的意义上，学习是无人监督的。结构学习由自下而上和自上而下的过程执行。自下而上的过程是一种新颖的层次聚类形式，它递归地组成简单结构的提议，以生成更复杂结构的提议。我们将标准聚类与可疑符合原则和竞争排除原则结合起来，将提案数量修改为实际数字，避免可能结构的指数级爆炸。当无法生成新提案时，层次聚类会自动停止，并为对象模型输出提议。自上而下的过程验证提案并填写缺失的元素。我们通过使用它来学习用于在Weizmann数据集上解析和分割马的分层组合模型来测试我们的方法。我们证明了所得到的模型与替代方法相当（或更好）。通过学习其他物体（例如，面部，钢琴，蝴蝶，监视器等）的模型来证明我们的方法的多功能性。值得注意的是，较低级别的对象层次结构会自动学习通用图像功能，而较高级别会学习对象特定功能。然后，我们描述了最近使用类似原理的工作，以同时学习许多对象的层次结构。本讲座基于两个研究项目。这些项目的完整作者是：*项目1（ECCV 2008）L。Zhu（加州大学洛杉矶分校），C。Lin（微软北京），H。Huang（微软北京），Y。陈（USTC）和AL Yuille（加州大学洛杉矶分校） ），*项目2. L. Zhu（麻省理工学院），Y。Chen（USTC），W。Freeman（麻省理工学院），A。Torrabla（麻省理工学院）和AL Yuille（加州大学洛杉矶分校）。
课程简介: We describe a new method for unsupervised structure learning of a hierarchical compositional model (HCM) for deformable objects. The learning is unsupervised in the sense that we are given a training data set of images containing the object in cluttered backgrounds but we do not know the position or boundary of the object. The structure learning is performed by a bottom-up and top-down process. The bottom-up process is a novel form of hierarchical clustering which recursively composes proposals for simple structures to generate proposals for more complex structures. We combine standard clustering with the suspicious coincidence principle and the competitive exclusion principle to prune the number of proposals to a practical number and avoid an exponential explosion of possible structures. The hierarchical clustering stops automatically, when it fails to generate new proposals, and outputs a proposal for the object model. The top-down process validates the proposals and fills in missing elements. We tested our approach by using it to learn a hierarchical compositional model for parsing and segmenting horses on Weizmann dataset. We show that the resulting model is comparable with (or better than) alternative methods. The versatility of our approach is demonstrated by learning models for other objects (e.g., faces, pianos, butterflies, monitors, etc.). It is worth noting that the low-levels of the object hierarchies automatically learn generic image features while the higher levels learn object specific features. We then describe more recent work which uses similar principles to learn hierarchies for many objects simultaneously. This talk is based on two research projects. The full authors for these projects are: * Project 1 (ECCV 2008) L. Zhu (UCLA), C. Lin (Microsoft Beijing), H. Huang (Microsoft Beijing), Y.Chen (USTC), and A.L. Yuille (UCLA), * Project 2. L. Zhu (MIT), Y. Chen (USTC), W. Freeman (MIT), A. Torrabla (MIT), and A.L. Yuille (UCLA).
关 键 词: 分层组合; 无监督结构; 层次聚类
课程来源: 视频讲座网
最后编审: 2019-04-25：cwx
阅读次数: 52

纠错/补充/评论/留言
评论/留言 纠错/补充
验证算术题： 4 + 2 =