学习语义增强特征用于细粒度图像分类
计算机视觉与模式识别
2023-07-19 v3
摘要
本文旨在为细粒度图像分类（FGIC）提供一种计算代价低且有效的方法。与以往依赖复杂部件定位模块的方法不同，我们的方法通过增强全局特征的子特征语义来学习细粒度特征。具体而言，我们首先通过通道置换将 CNN 的特征通道排列为不同组，以实现子特征语义。同时，为使子特征更具判别性，通过加权组合正则化引导各组在具有强判别性的物体部件上激活。我们的方法参数精简，可作为即插即用模块轻松集成到骨干模型中，仅借助图像级监督进行端到端训练。实验验证了方法的有效性，并确认其性能可与最先进（SOTA）方法相媲美。代码见 https://github.com/cswluo/SEF
引用
@article{arxiv.2006.13457,
title = {Learning Semantically Enhanced Feature for Fine-Grained Image Classification},
author = {Wei Luo and Hengmin Zhang and Jun Li and Xiu-Shen Wei},
journal= {arXiv preprint arXiv:2006.13457},
year = {2023}
}
备注
Accepted by IEEE Signal Processing Letters. 5 pages, 4 figures, 4 tables