Weakly Supervised Learning of Foreground-Background Segmentation using Masked RBMs

Nicolas Heess 1, * Nicolas Le Roux 2 John Winn 3
* Auteur correspondant
2 SIERRA - Statistical Machine Learning and Parsimony
DI-ENS - Département d'informatique de l'École normale supérieure, ENS Paris - École normale supérieure - Paris, Inria Paris-Rocquencourt, CNRS - Centre National de la Recherche Scientifique : UMR8548
Abstract : We propose an extension of the Restricted Boltzmann Machine (RBM) that allows the joint shape and appearance of foreground objects in cluttered images to be modeled independently of the background. We present a learning scheme that learns this representation directly from cluttered images with only very weak supervision. The model generates plausible samples and performs foreground-background segmentation. We demonstrate that representing foreground objects independently of the background can be beneficial in recognition tasks.
Type de document :
Communication dans un congrès
ICANN 2011 - International Conference on Artificial Neural Networks, Jun 2011, Espoo, Finland. 2011
Liste complète des métadonnées

Littérature citée [10 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/inria-00609681
Contributeur : Nicolas Le Roux <>
Soumis le : mardi 19 juillet 2011 - 17:05:25
Dernière modification le : vendredi 25 mai 2018 - 12:02:06
Document(s) archivé(s) le : lundi 7 novembre 2011 - 11:26:33

Fichiers

mrbm_heess.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : inria-00609681, version 1
  • ARXIV : 1107.3823

Collections

Citation

Nicolas Heess, Nicolas Le Roux, John Winn. Weakly Supervised Learning of Foreground-Background Segmentation using Masked RBMs. ICANN 2011 - International Conference on Artificial Neural Networks, Jun 2011, Espoo, Finland. 2011. 〈inria-00609681〉

Partager

Métriques

Consultations de la notice

287

Téléchargements de fichiers

451