面向细粒度视觉分类的粒度感知卷积神经网络学习
计算机视觉与模式识别
2021-03-05 v1
摘要
由于不同对象间高度相似，定位判别性部位在细粒度视觉分类中起着关键作用。近期基于卷积神经网络的工作利用最后一层卷积层提取的特征图来挖掘判别性区域。然而，由于感受野较大，最后一层卷积层倾向于关注整个对象，导致辨别差异的能力下降。为解决该问题，我们提出一种新颖的粒度感知卷积神经网络(GA-CNN)，渐进式探索判别性特征。具体而言，GA-CNN利用不同层感受野的差异学习多粒度特征，并基于前一阶段发现的较小粒度信息来利用较大粒度信息。为进一步提升性能，我们引入一个对象注意力模块，可在给定原始图像时有效定位对象。GA-CNN无需边界框/部位标注，且可端到端训练。大量实验结果表明，我们的方法在三个基准数据集上取得了最先进的性能。
引用
@article{arxiv.2103.02788,
title = {Learning Granularity-Aware Convolutional Neural Network for Fine-Grained Visual Classification},
author = {Jianwei Song and Ruoyu Yang},
journal= {arXiv preprint arXiv:2103.02788},
year = {2021}
}