探索视觉 Transformer 在细粒度分类中的应用
计算机视觉与模式识别
2021-07-01 v2 机器学习
摘要
现有的计算机视觉分类研究因固有的高类内方差和低类间方差而难以进行细粒度属性识别。SOTA 方法通过定位信息最丰富的图像区域并依赖这些区域对完整图像进行分类来应对这一挑战。最近的工作 Vision Transformer (ViT) 在传统与细粒度分类任务中均展现出强劲性能。本文提出一种用于细粒度图像分类任务的多阶段 ViT 框架，其利用固有的多头自注意力机制定位信息图像区域而无需改变架构。我们还引入注意力引导增强以提升模型能力。我们在四个流行的细粒度基准 CUB-200-2011、Stanford Cars、Stanford Dogs 与 FGVC7 Plant Pathology 上实验验证了方法的价值，并通过定性结果证明了模型的可解释性。
引用
@article{arxiv.2106.10587,
title = {Exploring Vision Transformers for Fine-grained Classification},
author = {Marcos V. Conde and Kerem Turgutlu},
journal= {arXiv preprint arXiv:2106.10587},
year = {2021}
}
备注
4 pages, 5 figures, 4 tables. Published in IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops (CVPRW) 2021 - FGVC8. For code see https://github.com/mv-lab/ViT-FGVC8 and for other workshop papers see https://sites.google.com/view/fgvc8/papers