融入类内方差的细粒度视觉识别
计算机视觉与模式识别
2017-03-02 v1
摘要
细粒度视觉识别旨在捕捉视觉上相似类别之间的区分性特征。最先进的研究工作通过采用三元组网络（triplet network）的深度度量学习显著提升了细粒度识别性能。然而，类内方差对识别性能及鲁棒特征表示的影响尚未得到充分研究。本文中，我们提出在三元组网络的度量学习中利用类内方差，以提升细粒度识别性能。通过将每个类别内的训练图像划分为若干组，我们构建了跨不同类别及不同组的三元组样本，称为组敏感三元组采样（Group Sensitive TRiplet Sampling, GS-TRS）。相应地，通过结合GS-TRS引入类内方差，三元组损失函数得到增强，这有助于三元组网络的优化目标。在基准数据集CompCar和VehicleID上的大量实验表明，所提出的GS-TRS在分类与检索任务上均显著优于现有最优方法。
引用
@article{arxiv.1703.00196,
title = {Incorporating Intra-Class Variance to Fine-Grained Visual Recognition},
author = {Yan Bai and Feng Gao and Yihang Lou and Shiqi Wang and Tiejun Huang and Ling-Yu Duan},
journal= {arXiv preprint arXiv:1703.00196},
year = {2017}
}
备注
6 pages, 5 figures