通过区域分组实现可解释且准确的细粒度识别
计算机视觉与模式识别
2020-05-22 v1 人工智能
机器学习
摘要
我们提出了一种用于细粒度视觉识别的可解释深度模型。我们方法的核心在于将基于区域的部件发现与归因集成到深度神经网络中。我们的模型使用图像级对象标签训练，并通过对象部件的分割及其对分类贡献的识别来提供对其结果的解释。为促进在无直接监督下学习对象部件，我们探索了对象部件出现的一个简单先验。我们证明，该先验与我们的基于区域的部件发现和归因相结合，可得到一个保持高准确度的可解释模型。我们的模型在主要细粒度识别数据集上进行了评估，包括 CUB-200、CelebA 和 iNaturalist。我们的结果在分类任务上优于最先进的方法，且我们的方法在对象部件定位上超越了先前的方法。
引用
@article{arxiv.2005.10411,
title = {Interpretable and Accurate Fine-grained Recognition via Region Grouping},
author = {Zixuan Huang and Yin Li},
journal= {arXiv preprint arXiv:2005.10411},
year = {2020}
}
备注
Accepted to CVPR 2020 (Oral)