嵌入标签结构用于细粒度特征表示
计算机视觉与模式识别
2016-03-14 v2
摘要
近期卷积神经网络（CNN）的算法显著推进了细粒度图像分类，其旨在区分子类间的细微差异。然而，以往研究很少关注学习一种细粒度且结构化的特征表示，该表示能够在不同相关层级上定位相似图像，例如发现同一品牌或同一车型的汽车，这两者均需要高精度。本文中，我们提出两项主要贡献来解决此问题。1）设计了一个多任务学习框架，通过联合优化分类与相似性约束来有效学习细粒度特征表示。2）为建模多级相关性，通过泛化三元组损失，将层次或共享属性等标签结构无缝嵌入该框架。我们在三个细粒度数据集上进行了广泛而深入的实验，即Stanford car、car-333和food数据集，它们包含层次标签或共享属性。我们提出的方法取得了极具竞争力的性能，即达到了最先进的分类准确率。更重要的是，在不同相关层级的图像检索中，它显著优于以往的细粒度特征表示。
引用
@article{arxiv.1512.02895,
title = {Embedding Label Structures for Fine-Grained Feature Representation},
author = {Xiaofan Zhang and Feng Zhou and Yuanqing Lin and Shaoting Zhang},
journal= {arXiv preprint arXiv:1512.02895},
year = {2016}
}