利用人在回路的深度度量学习进行细粒度分类与数据集自举
计算机视觉与模式识别
2016-04-12 v2
摘要
现有的细粒度视觉分类方法常面临三个挑战：训练数据缺乏、细粒度类别数量庞大、以及类内方差大且类间方差小。本工作提出一个通用的迭代框架，用于细粒度分类和数据集自举，以应对这三个挑战。利用人在回路的深度度量学习，我们学习了一种低维特征嵌入，为每个类别在流形上设置锚点。这些锚点捕捉类内方差，并在类间保持判别性。在每轮中，模型给出高置信度分数的图像被发送给人类进行标注。通过与示例图像比较，标注者将每个候选图像标记为“真阳性”或“假阳性”。真阳性被加入当前数据集，假阳性则视为度量学习模型的“困难负样本”。然后模型使用扩展的数据集和困难负样本进行再训练，进入下一轮。为证明所提框架的有效性，我们从Instagram图像中自举了一个包含620个类别的细粒度花卉数据集。所提出的深度度量学习方案在我们的数据集和CUB-200-2001 Birds数据集上进行了评估。实验评估显示使用数据集自举带来显著性能提升，并展示了所提深度度量学习方法达到了最先进结果。
引用
@article{arxiv.1512.05227,
title = {Fine-grained Categorization and Dataset Bootstrapping using Deep Metric Learning with Humans in the Loop},
author = {Yin Cui and Feng Zhou and Yuanqing Lin and Serge Belongie},
journal= {arXiv preprint arXiv:1512.05227},
year = {2016}
}
备注
10 pages, 9 figures, CVPR 2016