基于高温精炼与背景抑制的细粒度视觉分类
计算机视觉与模式识别
2023-04-26 v2
摘要
细粒度视觉分类是一项具有挑战性的任务,原因在于类别间高度相似且同一类别内数据差异显著。为应对这些挑战,先前策略聚焦于定位类别间的细微差异并增强其中的判别性特征。然而,背景也提供重要信息,可告知模型哪些特征对分类而言是不必要甚至有害的,且过度依赖细微特征的模型可能忽视全局特征与上下文信息。本文提出一种名为“高温精炼与背景抑制”(HERBS)的新型网络,其由两个模块组成,即高温精炼模块与背景抑制模块,分别用于提取判别性特征与抑制背景噪声。高温精炼模块通过在不同尺度上精炼特征图并改善多样特征的学习,使模型学习恰当的特征尺度。背景抑制模块首先利用分类置信度分数将特征图分割为前景与背景,并抑制低置信度区域的特征值同时增强判别性特征。实验结果表明,所提 HERBS 有效融合了不同尺度特征、抑制了背景噪声及细粒度视觉分类中恰当尺度的判别性特征。所提方法在 CUB-200-2011 与 NABirds 基准上取得最先进(SOTA)性能,在两个数据集上均超越 93% 准确率。因此,HERBS 为提升细粒度视觉分类任务性能提供了一种有前景的解决方案。代码:https://github.com/chou141253/FGVC-HERBS
引用
@article{arxiv.2303.06442,
title = {Fine-grained Visual Classification with High-temperature Refinement and Background Suppression},
author = {Po-Yung Chou and Yu-Yung Kao and Cheng-Hung Lin},
journal= {arXiv preprint arXiv:2303.06442},
year = {2023}
}
备注
Details of the previous experiments can be found in the technical report: arXiv:2202.03822