基于序列注视的物联网细粒度识别成本感知方法
计算机视觉与模式识别
2019-08-09 v2
摘要
我们考虑边缘相机设备上的细粒度分类问题，该设备功耗有限。边缘设备必须尽量少地与云交互以最小化通信比特数从而节省功耗，而云在接收到边缘输入后返回分类标签。为处理细粒度分类，我们采用序列注视结合中央凹视场的方法来建模云边交互。我们提出了一种新颖的基于深度强化学习的中央凹模型 DRIFT，它顺序生成并识别混合锐度图像。DRIFT 的训练仅需图像级类别标签，并促使注视包含任务相关信息，同时保持数据效率。具体而言，我们用一种新颖的由条件评论员与指导驱动的深层确定性策略梯度（DDPGC3）算法训练中央凹动作网络。此外，我们提出对奖励进行塑形，以在每次注视后提供信息性反馈，从而更好地引导强化学习训练。我们在五个细粒度分类基准数据集上评估，证明了 DRIFT 在该任务上的有效性，并表明所提方法以超过 3 倍的传输像素削减实现了最先进（SOTA）性能。
引用
@article{arxiv.1811.06868,
title = {Cost-Aware Fine-Grained Recognition for IoTs Based on Sequential Fixations},
author = {Hanxiao Wang and Venkatesh Saligrama and Stan Sclaroff and Vitaly Ablavsky},
journal= {arXiv preprint arXiv:1811.06868},
year = {2019}
}