PARTICUL：基于无监督学习的带置信度度量的部件识别
计算机视觉与模式识别
2022-06-28 v1 机器学习
摘要
在本文中，我们提出 PARTICUL，一种用于从细粒度识别所用数据集中无监督学习部件检测器的新型算法。它利用训练集中所有图像的宏观相似性，以在预训练卷积神经网络的特征空间中挖掘重复出现的模式。我们提出新的目标函数以强制所检测部件的局部性与唯一性。此外，我们为检测器嵌入基于相关分数的置信度度量，使系统能够估计每个部件的可见性。我们将方法应用于两个公开细粒度数据集（Caltech-UCSD Bird 200 与 Stanford Cars），表明我们的检测器能持续高亮物体部件，同时提供对其预测的良好置信度度量。我们还证明这些检测器可直接用于构建基于部件的细粒度分类器，在基于原型方法的可解释性与不可解释方法的性能之间提供良好折衷。
引用
@article{arxiv.2206.13304,
title = {PARTICUL: Part Identification with Confidence measure using Unsupervised Learning},
author = {Romain Xu-Darme and Georges Quénot and Zakaria Chihani and Marie-Christine Rousset},
journal= {arXiv preprint arXiv:2206.13304},
year = {2022}
}
备注
Accepted at XAIE: 2nd Workshop on Explainable and Ethical AI -- ICPR 2022