一.文獻名字和作者
PANDA: Pose Aligned Networks for Deep Attribute Modeling， Ning Zhang, Manohar Paluri, Marc’Aurelio Ranzato, Trevor Darrell, Lubomir Bourdev， CVPR2014
二.閱讀時間
2014年9月3日
三.文獻的目的
解決人的屬性分類問題，同時，也解決使用CNN進行訓練時需要大量訓練樣本的問題。
四.文獻的貢獻點
文獻提出了一種結合CNN和Part-base方法的人體屬性分類算法，通過将圖檔劃分為小塊，進而使得CNN能夠更加友善地訓練，進而可以從較小的資料集中學習到強大的形态歸一化的特征。
五.解決的問題
1.part-based方法隻能在圖像塊中使用底層特征，作者提出了使用CNN作為特征提取器，進而能夠學到高層次的特征； 2.CNN需要大量的訓練樣本進行訓練，為了解決這個問題，作者使用每一個poselet的激活值作為一個單獨的訓練樣本； 3.由于人體的不同部分對于相同的信号有不同的反應，是以，使用局部塊獲得的資訊不能表征人的屬性，為了解決這個問題，作者在使用局部塊獲得特征之後，在最後又将這些特征組合起來。 4.由于postlet不能覆寫這個圖檔以及一些退化的圖檔而已，擁有較少的poselets檢測器，為了解決這個問題，作者提出了将圖檔中整個人體區域的bounding box區域作為最終的姿态歸一化特征的輸入。 5.在實驗的過程中，作者發現使用整個人體區域的話，需要一個複雜的CNN，是以，作者使用用Imagenet訓練的CNN作為整個人體區域的特征提取器。
六.作者提出的方法
作者提出了一種使用CNN作為局部區域的特征提取器，然後将提取到的特征進行融合，最後使用線性SVM作為分類器，進而産生屬性分類器。
七.實驗結果
八.使用的資料庫
1.The Berkeley Human Attributes Dataset 2.Attributes 25K Dataset
版權所有，歡迎轉載，轉載請注明出處，謝謝