用于遮挡图像分类的深度特征增强
计算机视觉与模式识别
2020-11-03 v1 机器学习
摘要
由于难以获取大规模特定任务遮挡图像，使用深度卷积神经网络（CNN）进行遮挡图像分类仍极具挑战性。为减轻对大规模遮挡图像数据集的依赖，我们提出一种新方法，通过使用一组增强的深度特征向量（DFV）微调预训练模型来提升遮挡图像的分类准确率。该增强DFV集合由原始DFV与伪DFV组成。伪DFV通过将从小规模干净图像与遮挡图像对中取出的差异向量（DV）随机加至真实DFV上生成。在微调中，反向传播在DFV数据流上进行以更新网络参数。在多个数据集与网络结构上的实验表明，深度特征增强显著提升了遮挡图像的分类准确率，且对干净图像性能无明显影响。具体而言，在带有合成遮挡图像的ILSVRC2012数据集上，所提方法在仅含遮挡与含遮挡的训练集上微调的ResNet50网络分别实现了11.21%与9.14%的平均分类准确率提升。
引用
@article{arxiv.2011.00768,
title = {Deep Feature Augmentation for Occluded Image Classification},
author = {Feng Cen and Xiaoyu Zhao and Wuzhuang Li and Guanghui Wang},
journal= {arXiv preprint arXiv:2011.00768},
year = {2020}
}