学习导航以实现细粒度分类
计算机视觉与模式识别
2018-09-05 v1
摘要
细粒度分类由于难以发现判别性特征而具有挑战性。找到那些能充分刻画对象的细微特质并非易事。为应对这一情况，我们提出了一种新颖的自监督机制，无需边界框/部件标注即可有效定位信息丰富的区域。我们的模型称为NTS-Net（Navigator-Teacher-Scrutinizer Network，导航者-教师-审视者网络），由一个导航者智能体、一个教师智能体和一个审视者智能体组成。考虑到区域的信息丰富度与其为真实类别的概率之间的内在一致性，我们设计了一种新颖的训练范式，使导航者能在教师的指导下检测出最具信息量的区域。此后，审视者审视导航者提出的区域并作出预测。我们的模型可视为一种多智能体协作，其中各智能体相互受益、共同进步。NTS-Net可端到端训练，同时在推理时提供准确的细粒度分类预测以及信息高度丰富的区域。我们在大量基准数据集上取得了最先进的性能。
引用
@article{arxiv.1809.00287,
title = {Learning to Navigate for Fine-grained Classification},
author = {Ze Yang and Tiange Luo and Dong Wang and Zhiqiang Hu and Jun Gao and Liwei Wang},
journal= {arXiv preprint arXiv:1809.00287},
year = {2018}
}
备注
Accepted by ECCV 2018