通过基于子空间分解的深度特征估计提升遮挡图像分类性能
计算机视觉与模式识别
2020-01-14 v1 机器学习
摘要
对于最前沿的深度学习技术而言，部分遮挡图像的分类仍是一个极具挑战的计算机视觉问题。为实现对遮挡图像的鲁棒图像分类，本文提出一种基于子空间分解估计（SDBE）的新颖方案。所提出的基于 SDBE 的分类方案首先采用基础卷积神经网络提取深度特征向量（DFV），然后利用 SDBE 计算原始无遮挡图像用于分类的 DFV。SDBE 通过将遮挡图像的 DFV 沿遮挡误差字典（OED）的线性张成投影到类字典（CD）的线性张成上来实现。CD 和 OED 分别通过拼接训练集的 DFV 与额外图像对集合的遮挡误差向量来构建。本文研究了 SDBE 的两种实现：l_1 范数与平方 l_2 范数正则化最小二乘估计。采用在 ILSVRC2012 训练集上预训练的 ResNet-152 作为基础网络，所提出的基于 SBDE 的分类方案在 Caltech-101 与 ILSVRC2012 数据集上进行了充分评估。大量实验结果表明，所提出的基于 SDBE 的方案显著提升了遮挡图像的分类准确率，并在 ILSVRC2012 数据集上于 20% 遮挡下实现了约 22.25% 的分类准确率提升。
引用
@article{arxiv.2001.04066,
title = {Boosting Occluded Image Classification via Subspace Decomposition Based Estimation of Deep Features},
author = {Feng Cen and Guanghui Wang},
journal= {arXiv preprint arXiv:2001.04066},
year = {2020}
}