系统性评估：细粒度CNN与传统CNN分类器
计算机视觉与模式识别
2021-11-04 v3 机器学习
图像与视频处理
摘要
为了最好地利用潜在的微小而细微的差异，细粒度分类器收集关于类间变化的信息。由于同一类实体在颜色、视角和结构上的微小差异，该任务非常具有挑战性。由于视角差异与其他类的差异以及与其自身的差异之间的相似性，分类变得更加困难。在这项工作中，我们研究了在大规模分类数据集上呈现出顶尖结果的标志性通用CNN分类器在细粒度数据集上的性能，并将其与最先进的细粒度分类器进行比较。在本文中，我们提出两个具体问题：(i) 通用CNN分类器是否能取得与细粒度分类器相当的结果？(ii) 通用CNN分类器是否需要任何特定信息来超越细粒度分类器？在整个工作中，我们在不引入任何细粒度数据集特有方面的情况下训练通用CNN分类器。我们在六个数据集上展示了广泛的评估，以确定细粒度分类器是否能够在它们的实验中提升基线。
引用
@article{arxiv.2003.11154,
title = {A Systematic Evaluation: Fine-Grained CNN vs. Traditional CNN Classifiers},
author = {Saeed Anwar and Nick Barnes and Lars Petersson},
journal= {arXiv preprint arXiv:2003.11154},
year = {2021}
}