MMF: 面向层次化图像分类的多任务多结构融合方法
计算机视觉与模式识别
2021-07-05 v1
摘要
层次化分类通过提供多粒度预测并促成更好的错误，对复杂任务具有重要意义。由于标签结构决定其性能，许多现有方法试图构建优良的标签结构以提升分类结果。本文认为不同的标签结构为类别识别提供了多样的先验知识，因此融合它们有助于取得更好的层次化分类结果。进而，我们提出一种多任务多结构融合模型来整合不同的标签结构。它包含两类分支：一类是分类常见子类的传统分类分支，另一类负责识别由不同标签结构定义的异质超类。除多标签结构的作用外，我们还探索了深度模型的结构以获得更好的层次化分类，并针对多标签结构调整了层次化评估指标。在 CIFAR100 与 Car196 上的实验结果表明，相较使用扁平分类器或任意单一标签结构的层次化分类器，我们的方法取得了显著更优的结果。
引用
@article{arxiv.2107.00808,
title = {MMF: Multi-Task Multi-Structure Fusion for Hierarchical Image Classification},
author = {Xiaoni Li and Yucan Zhou and Yu Zhou and Weiping Wang},
journal= {arXiv preprint arXiv:2107.00808},
year = {2021}
}
备注
Accpeted by ICANN 2021