用于细粒度类别检测的基于部件的 R-CNN
计算机视觉与模式识别
2014-07-16 v1
摘要
语义部件定位可以通过显式隔离与特定物体部件相关的细微外观差异来促进细粒度分类。虽然已提出了姿态归一化表示的方法，但由于物体检测的困难，这些方法通常假设在测试时提供边界框标注。我们提出了一种细粒度分类模型，通过利用在自底向上区域提议上计算的深度卷积特征来克服这些限制。我们的方法学习整体物体和部件检测器，强制执行它们之间学习到的几何约束，并从姿态归一化表示中预测细粒度类别。在 Caltech-UCSD 鸟类数据集上的实验证实，我们的方法在无需测试时边界框的情况下，在端到端评估中优于最先进的细粒度分类方法。
引用
@article{arxiv.1407.3867,
title = {Part-based R-CNNs for Fine-grained Category Detection},
author = {Ning Zhang and Jeff Donahue and Ross Girshick and Trevor Darrell},
journal= {arXiv preprint arXiv:1407.3867},
year = {2014}
}
备注
16 pages. To appear at European Conference on Computer Vision (ECCV), 2014