面向细粒度图像检索的对抗学习
计算机视觉与模式识别
2018-07-09 v1
摘要
由于难以捕捉细粒度类别中物体姿态变化下的细微差异，细粒度图像检索仍是一个具有挑战性的问题。在实际应用中，包含新细粒度类别的动态库存为此挑战增添了另一维度。在本工作中，我们提出一种端到端网络 FGGAN，它通过从多视角图像中隐式学习几何变换来学习判别性表示，用于细粒度图像检索。我们集成了一个生成对抗网络（GAN），该网络可在无任何预定义变换的情况下，将复杂的视角和姿态变化转换为规范视角从而自动处理它们。此外，在开放集场景下，我们的网络能够更好地匹配来自未见且未知的细粒度类别的图像。在两个公开数据集和一个新收集数据集上的大量实验证明了所提出的 FGGAN 在封闭集和开放集场景下的出色鲁棒性能，相比基线取得了高达 10% 的相对提升。
引用
@article{arxiv.1807.02247,
title = {Adversarial Learning for Fine-grained Image Search},
author = {Kevin Lin and Fan Yang and Qiaosong Wang and Robinson Piramuthu},
journal= {arXiv preprint arXiv:1807.02247},
year = {2018}
}