GraftNet：一种用于细粒度多标签任务的 CNN 工程实现
计算机视觉与模式识别
2020-04-28 v1
摘要
带有分支的多标签网络被证明在准确率和速度上均有良好表现，但由于标注与训练重做效率低下，在新增标签的动态扩展方面缺乏灵活性。对于多标签分类任务，为覆盖新标签，我们不仅需要标注新收集的图像，还需检查先前整个数据集中是否存在这些新标签。此外，在整个重新标注的数据集上训练耗时颇多。为更有效且准确地识别新标签，我们提出 GraftNet，这是一种可定制的树状网络，其主干采用动态图预训练以进行通用特征提取，各分支分别在含单标签的子数据集上训练以提升准确率。GraftNet 能够降低成本、增加灵活性，并增量式处理新标签。实验结果表明，在我们的人物属性识别任务（细粒度多标签分类）上它具有良好性能。
引用
@article{arxiv.2004.12709,
title = {GraftNet: An Engineering Implementation of CNN for Fine-grained Multi-label Task},
author = {Chunhua Jia and Lei Zhang and Hui Huang and Weiwei Cai and Hao Hu and Rohan Adivarekar},
journal= {arXiv preprint arXiv:2004.12709},
year = {2020}
}
备注
8 Pages, 5 figures, 3 tables