标签关系图增强的分层残差网络用于分层多粒度分类
计算机视觉与模式识别
2022-01-12 v2
摘要
分层多粒度分类（HMC）为每个对象分配分层多粒度标签，并侧重于编码标签层次结构，例如从粗到细级别的 ["Albatross", "Laysan Albatross"]。然而，何为细粒度的定义是主观的，且图像质量可能影响识别。因此，样本可在层次结构的任意层级被观测到，例如 ["Albatross"] 或 ["Albatross", "Laysan Albatross"]，并且在常规 HMC 设定中，在粗类别上辨别的样本常被忽略。本文研究对象在层次结构任意层级被标注的 HMC 问题。所提方法的核心设计源于两点动机：（1）利用不同层级标注的对象进行学习应在层级间迁移层次知识；（2）较低层级类应继承与较上层父类相关的属性。所提出的组合损失通过聚合树形层次中定义的关联标签信息，最大化观测真实标签的边际概率。若观测标签位于叶层级，组合损失进一步施加多类交叉熵损失以增加细粒度分类损失的权重。考虑分层特征交互，我们提出分层残差网络（HRN），其中来自父层级的粒度特定特征作为残差连接加到子层级特征上。在三个常用数据集上的实验证明了我们的方法相较于利用标签层次的最先进 HMC 方法和细粒度视觉分类（FGVC）方法的有效性。
引用
@article{arxiv.2201.03194,
title = {Label Relation Graphs Enhanced Hierarchical Residual Network for Hierarchical Multi-Granularity Classification},
author = {Jingzhou Chen and Peng Wang and Jian Liu and Yuntao Qian},
journal= {arXiv preprint arXiv:2201.03194},
year = {2022}
}