基于 CNN 的物体级与部件级特征自动提取与集成的细粒度分类
计算机视觉与模式识别
2017-06-23 v1
摘要
细粒度分类可以从基于部件的特征中受益，这些特征揭示了物体类别之间微妙的视觉差异。手工特征已被广泛用于部件检测和分类。尽管最近的趋势寻求使用强大的深度学习模型（如卷积神经网络 (CNN)）自动学习此类特征，但其训练以及可能的测试需要人工提供的标注，获取成本高昂。为了放宽这些要求，本研究假设一种通用问题设定，即仅提供原始图像的物体级类别标签用于模型训练，无需任何其他辅助信息。具体而言，通过提取和解释 CNN 学习到的分层隐藏层特征，我们提出了一种用于细粒度分类的基于 CNN 的精细系统。在 Caltech-UCSD Birds-200-2011、FGVC-Aircraft、Cars 和 Stanford dogs 数据集上，在仅使用物体级类别标签进行训练且训练和测试均无其他标注可用的设定下进行评估时，我们的方法取得了令人瞩目的性能，优于或可与现有技术相媲美。此外，它也为巧妙利用 CNN 学习到的分层特征提供了一些启示，这些特征的广泛适用性远超当前的细粒度分类任务。
引用
@article{arxiv.1706.07397,
title = {Fine-Grained Categorization via CNN-Based Automatic Extraction and Integration of Object-Level and Part-Level Features},
author = {Ting Sun and Lin Sun and Dit-Yan Yeung},
journal= {arXiv preprint arXiv:1706.07397},
year = {2017}
}
备注
45 pages, 20 figures, accepted by Image and Vision Computing