通过协同监督与自监督学习范式特征基于图像的车辆分类
计算机视觉与模式识别
2023-02-02 v1 图像与视频处理
摘要
本文提出一种新方法，利用从监督和自监督范式中学习到的特征来改进图像分类任务，特别是车辆分类。我们评估并比较了两种 SOTA 自监督学习方法 DINO 和 data2vec 在车辆图像表示学习上的表现。前者对比局部与全局视图，而后者对多层表示使用掩码预测。在后一种情形中，采用监督学习微调预训练的 YOLOR 目标检测器以检测车辆车轮，从中提取确定的车轮位置特征。这些自监督学习方法学到的表示与车轮位置特征相结合用于车辆分类任务。特别地，在分类器训练期间，利用随机车轮掩码策略将先前学到的表示与车轮位置特征协调微调。我们的实验表明，与我们的车轮掩码策略一致的 data2vec 蒸馏表示优于 DINO 对应表示，在分类联邦公路管理局定义的 13 个车辆类别上取得了令人瞩目的 97.2% Top-1 分类准确率。
引用
@article{arxiv.2302.00648,
title = {Image-Based Vehicle Classification by Synergizing Features from Supervised and Self-Supervised Learning Paradigms},
author = {Shihan Ma and Jidong J. Yang},
journal= {arXiv preprint arXiv:2302.00648},
year = {2023}
}
备注
15 pages, 7 figures, 7 tables