用于细粒度图像分类的对象-部件注意力模型
计算机视觉与模式识别
2017-11-29 v2
摘要
细粒度图像分类是识别属于同一基础类别的数百个子类别，例如属于鸟类的200个子类别。由于同一子类别内差异大，而不同子类别间差异小，这极具挑战性。现有方法通常先定位对象或部件，然后判别图像属于哪个子类别。然而，它们主要有两个局限性：(1) 依赖极其耗费人力的对象或部件标注。(2) 忽略了对象与其部件之间以及这些部件之间的空间关系，而这两者都对寻找判别性部件有显著帮助。因此，本文提出了用于弱监督细粒度图像分类的对象-部件注意力模型 (OPAM)，其主要创新点为：(1) 对象-部件注意力模型集成了两层注意力：对象级注意力定位图像的对象，部件级注意力选择对象的判别性部件。两者联合用于学习多视图和多尺度特征以增强其相互促进。(2) 对象-部件空间约束模型结合了两种空间约束：对象空间约束确保所选部件具有高度代表性，部件空间约束消除冗余并增强所选部件的判别力。两者联合用于挖掘细微和局部的差异以区分子类别。重要的是，我们提出的方法中未使用对象或部件标注，避免了标注的繁重人力消耗。在4个广泛使用的数据集上与10多种 state-of-the-art 方法相比，我们的 OPAM 方法取得了最佳性能。
引用
@article{arxiv.1704.01740,
title = {Object-Part Attention Model for Fine-grained Image Classification},
author = {Yuxin Peng and Xiangteng He and Junjie Zhao},
journal= {arXiv preprint arXiv:1704.01740},
year = {2017}
}
备注
14 pages, submitted to IEEE Transactions on Image Processing