细粒度图像分类的输出嵌入评估
计算机视觉与模式识别
2016-04-21 v2
摘要
近年来，随着大规模图像数据集的出现，图像分类取得了显著进展。然而，由于大量细粒度类别的标注成本高昂，细粒度分类仍然是一个主要挑战。本项目表明，即使没有带标签的训练数据，也能在此类类别上实现令人信服分类性能。给定图像和类别嵌入，我们学习一个兼容性函数，使得匹配的嵌入比不匹配的嵌入获得更高的分数；图像的零样本分类通过寻找产生最高联合兼容性分数的标签来进行。我们使用最先进的图像特征，并专注于不同的监督属性以及源自层次结构或从无标签文本语料库中学习到的无监督输出嵌入。我们在 Animals with Attributes 和 Caltech-UCSD Birds 数据集上建立了显著改进的最先进水平 (SOTA)。最令人鼓舞的是，我们证明了纯无监督输出嵌入（从 Wikipedia 学习并用细粒度文本改进）能取得令人信服的结果，甚至超越了之前的监督最先进水平。通过组合不同的输出嵌入，我们进一步提升了结果。
引用
@article{arxiv.1409.8403,
title = {Evaluation of Output Embeddings for Fine-Grained Image Classification},
author = {Zeynep Akata and Scott Reed and Daniel Walter and Honglak Lee and Bernt Schiele},
journal= {arXiv preprint arXiv:1409.8403},
year = {2016}
}
备注
@inproceedings {ARWLS15, title = {Evaluation of Output Embeddings for Fine-Grained Image Classification}, booktitle = {IEEE Computer Vision and Pattern Recognition}, year = {2015}, author = {Zeynep Akata and Scott Reed and Daniel Walter and Honglak Lee and Bernt Schiele} }