从网络数据学习：无监督目标定位的益处

标注大量训练图像非常耗时。在此背景下，本文关注于从易于获取的网络数据中学习，并利用所学模型在已标注数据集上进行细粒度图像分类。当前，使用网络数据训练带来的性能提升是渐进的，正如俗话所说“聊胜于无，但好不了多少”。传统上，学界致力于纠正带噪的网络标签以筛选信息样本。本工作中，我们首先系统研究了网络数据集与标准数据集之间的内在鸿沟，即两类数据间不同的数据分布。然后，除使用网络标签外，我们提出一种无监督目标定位方法，该方法揭示了网络图像中目标密度与尺度的关键信息。具体而言，我们针对网络数据设计两种约束以大幅缩减网络与标准数据集的数据分布差异。首先，我们提出一种方法控制检测区域内目标的尺度、定位与数量。其次，我们提议筛选包含与网络标签一致目标的区域。基于这两种约束，我们能够处理网络图像以缩小鸿沟，并将处理后的网络数据用于更好地辅助标准数据集训练 CNN。在多个细粒度图像分类数据集上的实验证实，我们的方法优于当前最先进的方法。