论文部分内容阅读
自动部件标注是一项复杂的视觉识别任务,但传统训练算法不适用于分布差异下的参数学习。为此,将部件标注描述为基于结构化输出的分类问题,提出一种支持结构化模型的自适应学习算法。通过引入基于相似度的正则算子,重新定义结构化支持向量机的损失函数,使训练损失度和源-目标参数差异度同时最小化。实验结果表明,与传统监督学习算法相比,该算法可使标注准确率提升2%~4%,同时指出部件位置特征的分布差异相比外观特征对自适应学习性能的影响更大。