基于显著性引导Faster R-CNN的细粒度判别性定位
计算机视觉与模式识别
2017-12-01 v1
摘要
判别性定位对于细粒度图像分类任务至关重要，该任务致力于识别同一基本类别中的数百个子类别。考虑到物体的判别性区域，不同子类别之间的关键差异是微妙且局部的。现有方法通常采用两阶段学习框架：第一阶段定位物体的判别性区域，第二阶段编码判别性特征以训练分类器。然而，这些方法通常有两个局限：(1) 两阶段学习分离耗时；(2) 判别性定位学习依赖于物体和部件标注，导致标注劳动密集。同时解决这两个重要局限极具挑战。现有方法仅关注其中之一。因此，本文提出通过显著性引导的Faster R-CNN的判别性定位方法，同时解决上述两个局限，我们的主要新颖点和优势在于：(1) 设计了基于Faster R-CNN的端到端网络，同时定位判别性区域并编码判别性特征，从而加速分类速度；(2) 提出显著性引导的定位学习，自动定位判别性区域，避免劳动密集的标注。两者联合使用，同时加速分类速度并消除对物体和部件标注的依赖。在广泛使用的CUB-200-2011数据集上与最先进方法比较，我们的方法取得了最好的分类准确率和效率。
引用
@article{arxiv.1709.08295,
title = {Fine-grained Discriminative Localization via Saliency-guided Faster R-CNN},
author = {Xiangteng He and Yuxin Peng and Junjie Zhao},
journal= {arXiv preprint arXiv:1709.08295},
year = {2017}
}
备注
9 pages, to appear in ACM MM 2017