细粒度分类——我们参加 2012 年 ImageNet 挑战赛的简要总结
计算机视觉与模式识别
2013-10-18 v1
摘要
本文致力于解决犬种视觉分类问题，由于该类任务同时存在类间距离小和类内方差大的特点，因此极具挑战性。我们的方法结合了几种在本领域广为人知但尚未常用于细粒度识别的技术：(1) 自动分割，(2) 高效部件检测，以及 (3) 多特征融合。特别地，我们证明将简单的头部检测器嵌入现成的识别流水线中可以显著提高识别准确率，凸显了部件特征对于细粒度识别任务的重要性。采用我们的方法，我们在 Stanford Dogs 数据集上取得了 24.59% 的平均精度均值（mean average precision）。
引用
@article{arxiv.1310.4759,
title = {Fine-grained Categorization -- Short Summary of our Entry for the ImageNet Challenge 2012},
author = {Christoph Göring and Alexander Freytag and Erik Rodner and Joachim Denzler},
journal= {arXiv preprint arXiv:1310.4759},
year = {2013}
}