An imageis decomposed into object p

An imageis decomposed into object proposals using proposal generators,such as EdgeBox [31] or SelectiveSearch [29]. Thebasic pipeline is to iteratively mine (i.e. localize) objects astraining samples using the detectors and then train detectorswith the updated training samples. The detector canbe a proposal level SVM classifier [24, 4, 28] or modernCNN-based detector [26, 14, 30], such as RCNN [9] or FastRCNN [8]. Deselaers et al. [5] first argued to use objectnessscore as a generic object appearance prior to the particulartarget categories. Cinbis et al. [4] proposed a multi-foldmultiple instance learning procedure, which prevents trainingfrom prematurely locking onto erroneous object locations.Uijlings et al. [28] argued to use pre-trained detectorsas the proposal generator and show its effectiveness inknowledge transfer from source to target categories.

結果 (繁體中文) 1:

的圖像
被分解成使用提案發電機對象的建議，
如EdgeBox [31]或SelectiveSearch [29]。的
基本流水線是迭代地礦（即局部化）對象作為
訓練使用所述檢測器的樣本，然後培養探測器
與更新的訓練樣本。檢測器可以
是一個投標級SVM分類器[24，4，28]或現代
基於CNN-檢測器[26，14，30]，如RCNN [9]或快速
RCNN [8]。Deselaers等。[5]第一認為使用對象性
得分作為特定之前的通用對象的外觀
的目標類別。Cinbis等。[4]提出了一種多折疊
多示例學習過程，該過程防止訓練
過早地鎖定到錯誤的對象的位置。
Uijlings等。[28]認為使用預先訓練檢測器
作為提案發電機並顯示其有效性
從源知識轉移到目標的類別。

結果 (繁體中文) 2:

圖像
使用建議產生器分解為物件提案，
如邊緣框 [31] 或選擇性搜索 [29]。的
基本管道是反覆運算挖掘（即當地語系化）物件作為
使用探測器訓練樣品，然後訓練探測器
與更新的訓練示例。探測器可以
是建議級 SVM 分類器 [24， 4， 28] 或現代
基於 CNN 的探測器 [26， 14， 30]， 如 RCNN [9] 或快速
RCNN [8]。Deselaers等人[5]首先主張使用客體
分數作為一般物件的外觀之前的特定
目標類別。Cinbis等人[4]提出了一個多倍
多實例學習程式，這阻止了培訓
從過早鎖定到錯誤的物件位置。
Uijlings等人[28]主張使用預先訓練的探測器
作為提案產生器，並顯示其有效性
知識從源轉移到目標類別。

結果 (繁體中文) 3:

形象
使用建議生成器分解為對象建議，
例如EdgeBox[31]或SelectiveSearch[29]。這個
基本筦道是反覆運算地挖掘（即當地語系化）對象
使用探測器訓練樣本，然後訓練探測器
更新了訓練樣本。探測器可以
是建議級SVM分類器[24，4，28]還是現代的
基於CNN的檢測器[26，14，30]，如RCNN[9]或Fast
RCNN[8]。Deselaers等人。[5]首先是反對
作為特定對象之前的通用對象外觀評分
目標類別。Cinbis等人。[4]提出了一個多重
多實例學習過程，防止培訓
從過早鎖定到錯誤的對象位置。
Uijlings等人。[28]主張使用預先訓練過的探測器
作為提案生成器並在
從源類別到目標類別的知識轉移。