细粒度视觉分类中类独有特征的学习
机器学习
2021-03-17 v2 计算机科学与博弈论
摘要
细粒度视觉分类(FGVC)的一个主要挑战是通过学习区分细节的特征来辨别具有高度类间相似性的各类别。传统的以交叉熵训练的卷积神经网络(CNN)难以应对该挑战,因为它在FGVC中可能产生类间不变特征。在本工作中,我们创新性地提出从信息论视角通过强制每类特征的唯一性来正则化CNN的训练。为实现这一目标,我们基于博弈论框架构建了一个极小极大损失,并证明纳什均衡与该正则化目标一致。此外,为防止极小极大损失可能产生冗余特征的可行解,我们提出了一种基于每对选定特征图间归一化内积的特征冗余损失(FRL),以补充所提出的极小极大损失。在多个有影响力的基准数据集上的优越实验结果及可视化表明,我们的方法在不增加额外计算的情况下充分发挥了基线模型的性能,并取得了与最先进模型相当的结果。
引用
@article{arxiv.2011.10951,
title = {Learning Class Unique Features in Fine-Grained Visual Classification},
author = {Runkai Zheng and Zhijia Yu and Yinqi Zhang and Chris Ding and Hei Victor Cheng and Li Liu},
journal= {arXiv preprint arXiv:2011.10951},
year = {2021}
}