单次细粒度实例检索
计算机视觉与模式识别
2017-07-05 v1
摘要
细粒度视觉分类（FGVC）近期取得了显著进展。然而，在真实场景中细粒度物种数量可能极为庞大且动态增长，使得在当前FGVC框架下难以识别未见过的对象。这引发了一个开放性问题：如何在缺乏完整训练集的情况下进行大规模细粒度识别。为攻克此问题，我们提出了一种名为单次细粒度实例检索（OSFGIR）的检索任务。“单次”意指借助不完整的辅助训练集，通过细粒度检索任务来识别未见对象的能力。本文首先详细描述了OSFGIR任务及我们收集的OSFGIR-378K数据集。接下来，我们提出在辅助数据集上学习的卷积与归一化网络（CN-Nets），以生成简洁且具判别性的表示。最后，我们提出一个由粗检索、细粒度检索和查询扩展三个部分组成的从粗到细的检索框架。该框架逐步检索具有相似语义的图像，并执行细粒度识别。实验表明，我们的OSFGIR框架在准确率和效率上均显著优于现有FGVC与图像检索方法，从而可作为大规模细粒度对象识别的更优解决方案。
引用
@article{arxiv.1707.00811,
title = {One-Shot Fine-Grained Instance Retrieval},
author = {Hantao Yao and Shiliang Zhang and Yongdong Zhang and Jintao Li and Qi Tian},
journal= {arXiv preprint arXiv:1707.00811},
year = {2017}
}
备注
Accepted by MM2017, 9 pages, 7 figures