大规模细粒度分类与领域特定迁移学习
计算机视觉与模式识别
2018-06-19 v1 机器学习
摘要
通过微调将从大规模数据集（如ImageNet）学到的知识进行迁移，为领域特定的细粒度视觉分类（FGVC）任务（如识别鸟类物种或汽车品牌与型号）提供了一种有效解决方案。在此类场景中，数据标注往往需要专门的领域知识，因此难以规模化。在本工作中，我们首先解决大规模FGVC中的一个问题。我们的方法在iNaturalist 2017大规模物种分类挑战赛中获得了第一名。我们方法成功的核心是一种采用更高图像分辨率并处理训练数据长尾分布的训练方案。接下来，我们研究通过从大规模数据集微调到小规模、领域特定的FGVC数据集的迁移学习。我们提出一种通过推土机距离（Earth Mover's Distance）估计领域相似度的度量，并证明根据该度量，在与目标领域相似的源领域上进行预训练可使迁移学习受益。我们提出的迁移学习优于ImageNet预训练，并在多个常用FGVC数据集上取得了最先进的（state-of-the-art）结果。
引用
@article{arxiv.1806.06193,
title = {Large Scale Fine-Grained Categorization and Domain-Specific Transfer Learning},
author = {Yin Cui and Yang Song and Chen Sun and Andrew Howard and Serge Belongie},
journal= {arXiv preprint arXiv:1806.06193},
year = {2018}
}
备注
CVPR 2018