面向细粒度不平衡数据分类的地理时空特征与基于形状的先验知识
计算机视觉与模式识别
2021-03-23 v1 人工智能
机器学习
摘要
细粒度分类旨在区分全局感知与模式相似但细微细节不同的对象。我们的主要挑战来自较小的类间差异和较大的类内差异。在本文中，我们提出结合若干创新来改进野生动物用例中的细粒度分类，这对专家具有实际意义。我们利用地理时空数据来丰富图像信息并进一步提升性能。我们还研究了用于处理不平衡数据问题的最先进方法。
引用
@article{arxiv.2103.11285,
title = {Geo-Spatiotemporal Features and Shape-Based Prior Knowledge for Fine-grained Imbalanced Data Classification},
author = {Charles A. Kantor and Marta Skreta and Brice Rauby and Léonard Boussioux and Emmanuel Jehanno and Alexandra Luccioni and David Rolnick and Hugues Talbot},
journal= {arXiv preprint arXiv:2103.11285},
year = {2021}
}
备注
Copyright by the authors. All rights reserved to authors only. Correspondence to: ckantor (at) stanford [dot] edu