基于组的深度共享特征学习用于细粒度图像分类
计算机视觉与模式识别
2020-04-07 v1
摘要
细粒度图像分类已成为一项重大挑战，因为此类图像中的对象具有较小的类间视觉差异，但在姿态、光照和视角等方面存在较大变化。现有的大部分工作侧重于通过深度网络架构进行高度定制化的特征提取，这些架构已被证明能提供最先进的性能。鉴于细粒度分类中不同类别的图像共享显著的兴趣特征，我们提出了一种新的深度网络架构，该架构显式地对共享特征进行建模并消除其影响，以实现增强的分类结果。我们对共享特征的建模基于一种新的基于组的学习，其中现有的类别被划分为组，并发现（学习）多种共享特征模式。我们将此框架称为基于组的深度共享特征学习（GSFL），并将最终学习到的网络称为 GSFL-Net。具体而言，所提出的 GSFL-Net 开发了一个专门设计的自编码器，该自编码器受到一个新提出的特征表达损失（Feature Expression Loss）的约束，将一组特征分解为其组成的共享成分和判别性成分。在推理过程中，仅使用判别性特征成分来完成分类任务。我们专用自编码器的一个关键优势在于其通用性，可以与最先进的细粒度特征提取模型相结合，并与它们一起训练，以直接提高其性能。在基准数据集上的实验表明，GSFL-Net 能够以更具可解释性的架构，在现有最先进技术的基础上提高分类精度。
引用
@article{arxiv.2004.01817,
title = {Group Based Deep Shared Feature Learning for Fine-grained Image Classification},
author = {Xuelu Li and Vishal Monga},
journal= {arXiv preprint arXiv:2004.01817},
year = {2020}
}