基于视觉注意力感知数据增强的域自适应迁移学习用于细粒度视觉分类
计算机视觉与模式识别
2020-10-08 v1
摘要
细粒度视觉分类（FGVC）是计算机视觉中一个具有挑战性的课题。其问题在于类内差异大、类间差异细微。在本文中，我们以弱监督方式解决该问题，即通过视觉注意力机制下的数据增强技术为神经网络模型提供额外数据。我们通过基础网络模型上的微调执行域自适应知识迁移。我们在六个具有挑战性且常用的 FGVC 数据集上进行实验，并表明通过使用注意力感知数据增强技术以及从大规模数据集预训练的深度学习模型 InceptionV3 提取的特征，准确率得到了有竞争力的提升。我们的方法在多个 FGVC 数据集上优于对比方法，并在其他数据集上显示出有竞争力的结果。实验研究表明，从大规模数据集的迁移学习可与基于视觉注意力的数据增强有效结合，从而在多个 FGVC 数据集上获得最先进结果。我们给出了实验的全面分析。我们的方法在多个细粒度分类数据集上取得了最先进结果，包括具有挑战性的 CUB200-2011 鸟类、Flowers-102 和 FGVC-Aircrafts 数据集。
引用
@article{arxiv.2010.03071,
title = {Domain Adaptive Transfer Learning on Visual Attention Aware Data Augmentation for Fine-grained Visual Categorization},
author = {Ashiq Imran and Vassilis Athitsos},
journal= {arXiv preprint arXiv:2010.03071},
year = {2020}
}
备注
18 pages, 12 figures, 4 tables