面向细粒度识别的迭代物体与部件迁移
计算机视觉与模式识别
2017-03-30 v1
摘要
细粒度识别旨在识别图像中的从属类别，例如不同种类的鸟类。已有研究证实，为了捕捉类别间细微差异，物体与部件的自动定位至关重要。大多数物体与部件定位方法依赖于自底向上流程，即生成数千个区域提议，然后由预训练的物体/部件模型筛选。这在计算上开销大，且一旦物体/部件数量变大便难以扩展。本文中，我们提出一种用于物体与部件定位的非参数数据驱动方法。给定一个无标签测试图像，我们的方法从训练集中检索出的少量相似图像迁移标注。特别地，我们提出一种迭代迁移策略，逐步精炼预测的边界框。基于定位的物体与部件，提取深度卷积特征用于识别。我们在广泛使用的 CUB200-2011 数据集和一个称为 Birdsnap 的新的大型数据集上评估了我们的方法。在两个数据集上，我们均取得了优于许多最先进方法（包括少数在测试图像中使用 oracle（人工标注）边界框的方法）的结果。
引用
@article{arxiv.1703.09983,
title = {Iterative Object and Part Transfer for Fine-Grained Recognition},
author = {Zhiqiang Shen and Yu-Gang Jiang and Dequan Wang and Xiangyang Xue},
journal= {arXiv preprint arXiv:1703.09983},
year = {2017}
}
备注
To appear in ICME 2017 as an oral paper