细粒度识别中部件特征的 Fisher 向量编码端到端学习
计算机视觉与模式识别
2023-07-31 v2
摘要
基于部件的方法在细粒度识别中并未表现出相对于全局方法预期的性能提升，尽管其明确聚焦于对区分高度相似类别至关重要的微小细节。我们认为，基于部件的方法缺失了一种对局部特征的表示，该表示应不受部件顺序影响，并能恰当处理数量可变的可见部件。部件的顺序是人为设定的，通常仅由真实标注给出，而视角变化和遮挡会导致部件不可观测。因此，我们提出将部件特征的 Fisher 向量编码集成到卷积神经网络中。该编码的参数由在线 EM 算法与神经网络参数联合估计，且比以往工作的估计更精确。我们的方法在三个鸟类物种分类数据集上提升了当前最优准确率。
引用
@article{arxiv.2007.02080,
title = {End-to-end Learning of a Fisher Vector Encoding for Part Features in Fine-grained Recognition},
author = {Dimitri Korsch and Paul Bodesheim and Joachim Denzler},
journal= {arXiv preprint arXiv:2007.02080},
year = {2023}
}
备注
Published in the proceedings of the German Conference on Pattern Recognition 2021 (GCPR21)