Resumen

Los métodos existentes de aprendizaje de atributos se basan en atributos predefinidos, que requieren anotaciones manuales. Debido a la limitación de la experiencia humana, los atributos predefinidos no son capaces de proporcionar suficiente descripción. Este artículo propone un método de aprendizaje de atributos auto-supervisado (SAL), que genera automáticamente descripciones de atributos mediante la oclusión diferencial de la región del objeto para abordar los problemas mencionados. La relación entre atributos se formula con funciones de pérdida de tripletes y se utiliza para supervisar la CNN. El aprendizaje de atributos se utiliza como tarea auxiliar de una red de clasificación y segmentación de imágenes multitarea, en la que la auto-supervisión de atributos motiva a la CNN a aprender características más discriminativas para las tareas semánticas principales. Los resultados experimentales en los benchmarks públicos CUB-2011 y Pascal VOC muestran que el SAL-Net propuesto puede obtener resultados de clasificación y segmentación más precisos sin anotaciones adicionales. Además, el SAL-Net se incorpora en

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Propuesto; Aprendizaje de atributos auto-supervisado; Método SAL; Genera automáticamente descripciones de atributos; Funciones de pérdida de triplet; Clasificación de imágenes multitarea
• Keywords:Proposed; Self-supervised attribute learning; SAL method; Automatically generates attribute descriptions; Triplet loss functions; Multitask image classification