建模局部深度卷积神经网络特征以改进细粒度图像分类
计算机视觉与模式识别
2015-03-02 v1
摘要
我们提出一种利用深度卷积神经网络（CNNs）进行细粒度图像分类的局部建模方法。近来，从大型数据集训练的深度 CNNs 已显著提升了目标识别的性能。然而，迄今为止将这些深度 CNNs 用作局部特征提取器的工作有限。这部分源于 CNNs 的内部表示是高维的，从而使得此类表示难以用随机模型建模。为克服该问题，我们提议降低其中一个内部全连接层的维度，并结合层受限再训练以避免重新训练整个网络。随后，从修改后的层获得的低维特征分布使用高斯混合模型进行建模。对比实验表明，在具有挑战性的 Fish 和 UEC FOOD-100 数据集上可取得可观的性能提升。
引用
@article{arxiv.1502.07802,
title = {Modelling Local Deep Convolutional Neural Network Features to Improve Fine-Grained Image Classification},
author = {ZongYuan Ge and Chris McCool and Conrad Sanderson and Peter Corke},
journal= {arXiv preprint arXiv:1502.07802},
year = {2015}
}
备注
5 pages, three figures