在CNN中学习判别性滤波器组以实现细粒度识别
计算机视觉与模式识别
2018-06-13 v3
摘要
与早期使用CNN特征的多阶段框架相比，近期用于细粒度识别的端到端深度方法从根本上增强了CNN的中层学习能力。先前的方法通过引入辅助网络将定位信息注入主分类网络，或使用复杂的特征编码方法来捕获高阶特征统计量来实现这一点。我们表明，可以在CNN框架内增强中层表示学习，即通过学习一组卷积滤波器来捕获类别特定的判别性图块，而无需额外的部位或边界框标注。这种滤波器组结构良好、初始化合理，并通过一种带有卷积滤波器监督和非随机层初始化的新型非对称多流架构进行判别性学习。实验结果表明，我们的方法在三个公开的细粒度识别数据集（CUB-200-2011、Stanford Cars和FGVC-Aircraft）上达到了SOTA。我们提供了消融研究和可视化以理解我们的方法。
引用
@article{arxiv.1611.09932,
title = {Learning a Discriminative Filter Bank within a CNN for Fine-grained Recognition},
author = {Yaming Wang and Vlad I. Morariu and Larry S. Davis},
journal= {arXiv preprint arXiv:1611.09932},
year = {2018}
}