直面细粒度视觉分类中的难题
计算机视觉与模式识别
2020-06-26 v2
摘要
在细粒度视觉分类（FGVC）中，追求达到最先进（SOTA）精度近乎成为单一焦点。本工作仔细分析了近期 SOTA 方法的性能，不仅在定量上，更重要的是在定性上。我们表明这些模型普遍在某些“困难”图像上表现不佳，同时也犯下互补性错误。我们强调此类分析的重要性，并证明组合互补模型可在流行的 CUB-200 数据集上将精度提升超过 5%。除对这些 SOTA 方法所犯错误的详细分析与刻画外，我们为未来 FGVC 研究者提供了一组明确的推荐方向。
引用
@article{arxiv.2006.13190,
title = {Facing the Hard Problems in FGVC},
author = {Connor Anderson and Matt Gwilliam and Adam Teuscher and Andrew Merrill and Ryan Farrell},
journal= {arXiv preprint arXiv:2006.13190},
year = {2020}
}
备注
17 pages, 6 figures, 2 tables; fixed typo, minor adjustment to format, added equations