用于细粒度识别的全卷积注意力网络
计算机视觉与模式识别
2017-03-22 v4
摘要
细粒度识别具有挑战性，因为其局部类间差异细微，而类内变化（如姿态）较大。解决该问题的关键是定位判别性部位以提取姿态不变特征。然而，获取真值部位标注可能代价高昂。此外，许多细粒度类别难以定义部位。本文引入全卷积注意力网络（FCANs），一种强化学习框架，用于自适应不同细粒度域以最优地观测局部判别区域。与以往方法相比，我们的方法具有三个优势：1）弱监督强化学习过程无需昂贵的部位标注；2）全卷积架构加速了训练和测试；3）贪婪奖励策略加速了学习的收敛。我们在四个具有挑战性的细粒度基准数据集（包括CUB-200-2011、Stanford Dogs、Stanford Cars和Food-101）上通过大量实验证明了方法的有效性。
引用
@article{arxiv.1603.06765,
title = {Fully Convolutional Attention Networks for Fine-Grained Recognition},
author = {Xiao Liu and Tian Xia and Jiang Wang and Yi Yang and Feng Zhou and Yuanqing Lin},
journal= {arXiv preprint arXiv:1603.06765},
year = {2017}
}