弥合细粒度分类中监督与无监督学习之间的差距
计算机视觉与模式识别
2022-03-02 v1
摘要
无监督学习技术在通用物体分类（GOC）和行人重识别（re-ID）方面已赶上甚至超越了监督学习技术。然而，人们发现细粒度视觉分类（FGVC）的无监督学习比GOC和行人重识别更具挑战性。为了弥合FGVC中无监督与监督学习之间的差距，我们研究了导致监督与无监督FGVC性能差距的基本因素（包括特征提取、聚类和对比学习）。此外，我们提出了一种简单、有效且实用的方法，称为UFCL，以缩小这一差距。我们关注并改进了三个关键问题：首先，我们引入了一个鲁棒且强大的骨干网络ResNet50-IBN，当我们将ImageNet预训练模型迁移到FGVC任务时，它具有领域自适应能力。其次，我们提出引入HDBSCAN代替DBSCAN进行聚类，它可以用更少的超参数为相邻类别生成更好的聚类。最后，我们提出了一种加权特征代理及其更新机制，利用带有不可避免噪声的伪标签进行对比学习，这可以改善网络参数学习的优化过程。我们的UFCL的有效性在CUB-200-2011、Oxford-Flowers、Oxford-Pets、Stanford-Dogs、Stanford-Cars和FGVC-Aircraft数据集上得到了验证。在无监督FGVC设置下，我们取得了最先进的结果，并分析了关键因素和重要参数以提供实用指导。
引用
@article{arxiv.2203.00441,
title = {Bridge the Gap between Supervised and Unsupervised Learning for Fine-Grained Classification},
author = {Jiabao Wang and Yang Li and Xiu-Shen Wei and Hang Li and Zhuang Miao and Rui Zhang},
journal= {arXiv preprint arXiv:2203.00441},
year = {2022}
}
备注
12 pages, 7 figures