用于细粒度图像表示的深度双线性变换学习
计算机视觉与模式识别
2019-11-12 v1
摘要
双线性特征变换在细粒度图像表示学习中展现了最先进的性能。然而，学习深度特征通道间成对交互的计算代价极为高昂，这限制了这一强大变换在深度神经网络中的使用。本文提出深度双线性变换（DBT）块，可深度堆叠于卷积神经网络中以学习细粒度图像表示。DBT 块将输入通道均匀划分为若干语义组。由于双线性变换可通过计算各组内的成对交互来表示，计算代价得以大幅缓解。每个块的输出进一步通过聚合组内双线性特征与来自整体输入特征的残差获得。我们发现所提网络在包括 CUB-Bird、Stanford-Car 与 FGVC-Aircraft 在内的多个细粒度图像识别基准上达到了新的最先进水平。
引用
@article{arxiv.1911.03621,
title = {Learning Deep Bilinear Transformation for Fine-grained Image Representation},
author = {Heliang Zheng and Jianlong Fu and Zheng-Jun Zha and Jiebo Luo},
journal= {arXiv preprint arXiv:1911.03621},
year = {2019}
}