DeepFirearm：用于细粒度枪支检索的判别性特征表示学习
计算机视觉与模式识别
2018-06-12 v2
摘要
对于自动监管社交媒体中令人震惊的枪支图像的不当出现，或在法医中识别枪支类型，存在巨大需求。图像检索技术具有解决这些问题的巨大潜力。为促进该领域的研究，我们引入了 Firearm 14k，一个包含超过 14,000 张图像、167 个类别的大型数据集。它可用于枪支图像的细粒度识别与检索。近期图像检索的进展主要由为检索任务微调最先进的卷积神经网络所推动。以简洁和良好性能著称的传统单边界对比损失已被广泛使用。我们发现它在 Firearm 14k 数据集上表现不佳，原因在于：（1）训练过程中正样本与负样本图像对贡献的损失不平衡。（2）该数据集与 ImageNet 之间存在巨大的领域鸿沟。我们提出采用双边界对比损失来处理不平衡损失。我们通过两阶段训练策略解决领域鸿沟问题，即先为分类微调网络，再为检索微调网络。实验结果表明，我们的方法大幅优于传统单边界方法（相对提升高达 88.5%），甚至超越了基于强三元组损失的方法。
引用
@article{arxiv.1806.02984,
title = {DeepFirearm: Learning Discriminative Feature Representation for Fine-grained Firearm Retrieval},
author = {Jiedong Hao and Jing Dong and Wei Wang and Tieniu Tan},
journal= {arXiv preprint arXiv:1806.02984},
year = {2018}
}
备注
6 pages, 5 figures, accepted by ICPR 2018. Code are available at https://github.com/jdhao/deep_firearm. Dataset is available at http://forensics.idealtest.org/Firearm14k/