基于自监督目标关系正则化的卷积细粒度分类
计算机视觉与模式识别
2022-08-23 v1
摘要
细粒度视觉分类可通过在人工预定义目标(如one-hot或Hadamard码)监督下的深度表征学习来解决。此类目标编码方案在建模类间相关性上灵活性不足,并且对稀疏与不平衡数据分布也较为敏感。有鉴于此,本文引入一种新颖的目标编码方案——动态目标关系图(DTRG),其作为辅助特征正则化,是从输入图像映射出的自生成结构化输出。具体而言,设计类级特征中心的在线计算以生成表征空间中的跨类别距离,从而可以非参数方式由动态图刻画。以这些类级中心为锚显式最小化类内特征差异,可鼓励判别性特征的学习。此外,由于利用了类间依赖,所提目标图能缓解表征学习中的数据稀疏与不平衡。受近期mixup风格数据增强成功的启发,本文向动态目标关系图的软构造中引入随机性,以进一步探索目标类别的关系多样性。实验结果可证明我们的方法在多个视觉分类任务的若干多样基准上的有效性,尤其在流行细粒度物体基准上取得最先进性能,并对稀疏与不平衡数据具有优越鲁棒性。源代码已公开于https://github.com/AkonLau/DTRG。
引用
@article{arxiv.2208.01997,
title = {Convolutional Fine-Grained Classification with Self-Supervised Target Relation Regularization},
author = {Kangjun Liu and Ke Chen and Kui Jia},
journal= {arXiv preprint arXiv:2208.01997},
year = {2022}
}
备注
Accepted by TIP, 15 pages, 8 figures, 11 tables