通过拼图块渐进多粒度训练实现细粒度视觉分类
计算机视觉与模式识别
2020-07-21 v3
摘要
细粒度视觉分类（FGVC）因类内对象固有的细微差异而比传统分类任务更具挑战性。近期工作主要通过关注如何定位最具判别力的部位、更具互补性的部位以及不同粒度的部位来解决该问题。然而，对于何种粒度最具判别力以及如何跨多粒度融合信息，所下功夫甚少。本工作中，我们提出一种用于细粒度视觉分类的新框架以应对这些问题。具体而言，我们提出：(i) 一种有效融合不同粒度特征的渐进训练策略；(ii) 一种随机拼图块生成器，促使网络学习特定粒度下的特征。我们在多个标准 FGVC 基准数据集上取得最先进性能，所提方法稳定优于现有方法或给出具竞争力的结果。代码将发布于 https://github.com/PRIS-CV/PMG-Progressive-Multi-Granularity-Training。
引用
@article{arxiv.2003.03836,
title = {Fine-Grained Visual Classification via Progressive Multi-Granularity Training of Jigsaw Patches},
author = {Ruoyi Du and Dongliang Chang and Ayan Kumar Bhunia and Jiyang Xie and Zhanyu Ma and Yi-Zhe Song and Jun Guo},
journal= {arXiv preprint arXiv:2003.03836},
year = {2020}
}