面向细粒度斑块图像分类的掩码引导注意力方法
计算机视觉与模式识别
2021-09-23 v2
摘要
在本工作中，我们提出一种新颖的掩码引导注意力（MGA）方法用于细粒度斑块图像分类。细粒度斑块图像分类的关键挑战在于两方面：物体间超细粒度的类间差异，以及可用于训练的极少数据。这促使我们考虑在有限训练样本内采用更有用的监督信号来训练一个判别性模型。具体而言，所提出的MGA集成了一个预训练的语义分割模型，该模型产生辅助监督信号，即斑块注意力掩码，从而实现判别性表示学习。斑块注意力掩码驱动分类器滤除图像中不显著的部分（例如不同类别间的共同特征），增强了MGA在细粒度斑块图像分类中的鲁棒性。我们在三个公开可用的斑块图像数据集上验证了方法的有效性。实验结果表明，与最先进（SOTA）方法相比，我们的MGA方法在三个数据集上取得了更优性能。此外，我们的消融研究表明，MGA在SoyCultivarVein和BtfPIS数据集上分别提升了2.25%和2%的准确率，表明其解决细粒度斑块图像分类问题的实用性。
引用
@article{arxiv.2102.02771,
title = {Mask Guided Attention For Fine-Grained Patchy Image Classification},
author = {Jun Wang and Xiaohan Yu and Yongsheng Gao},
journal= {arXiv preprint arXiv:2102.02771},
year = {2021}
}
备注
Accepted to ICIP2021