用于细粒度车辆分类的通道最大池化层
计算机视觉与模式识别
2020-01-28 v2
摘要
深度卷积网络近期在细粒度车辆分类上展现出优异性能。基于这些已有工作，我们认为反向传播算法并未尽可能关注提取判别性较弱的特征，而是关注损失函数等于零。直观上，若我们能学习判别性较弱的特征，且这些特征仍能很好地拟合训练数据，则神经网络的泛化能力可得以提升。因此，我们提出一种置于全连接层与卷积层之间的新层，称为通道最大池化（Channel Max Pooling）。该层先对特征图分组，再通过计算组内特征图中相同位置像素的最大值将每组压缩为一个新特征图。同时，该层具有可帮助神经网络大幅减少参数的优势。在两个细粒度车辆数据集（Stanford Cars-196 数据集与 Comp Cars 数据集）上的实验结果表明，所提层能在大幅减少参数的情况下提升深度神经网络在细粒度车辆分类上的分类准确率。此外，其在这两个数据集上取得了与最优性能相竞争的结果。
引用
@article{arxiv.1902.11107,
title = {Channel Max Pooling Layer for Fine-Grained Vehicle Classification},
author = {Zhanyu Ma and Dongliang Chang and Xiaoxu Li},
journal= {arXiv preprint arXiv:1902.11107},
year = {2020}
}
备注
Report of ongoing work