PDiscoNet：用于细粒度识别的语义一致部件发现
计算机视觉与模式识别
2023-09-07 v1
摘要
细粒度分类通常要求识别特定对象部件，例如鸟类的喙形和翅膀图案。鼓励细粒度分类模型首先检测这些部件，然后利用它们推断类别，相较于提供单一归因图的可解释性方法，能更好地帮助我们判断模型是否确实关注了正确的细节。我们提出 PDiscoNet，仅使用图像级类别标签以及鼓励部件具备以下特性的先验来发现对象部件：可判别性、紧凑性、彼此相异、对刚性变换等变、且在至少部分图像中活跃。除了使用适当的损失来编码这些先验外，我们提出使用部件丢弃（part-dropout），即一次性丢弃完整部件特征向量以防止单一部件在分类中占主导，以及部件特征向量调制，它从分类器的视角使来自每个部件的信息彼此区分。我们在 CUB、CelebA 和 PartImageNet 上的结果表明，所提方法提供了比以往方法明显更好的部件发现性能，同时不需要任何额外的超参数调优，且不损害分类性能。代码可在 https://github.com/robertdvdk/part_detection 获取。
引用
@article{arxiv.2309.03173,
title = {PDiscoNet: Semantically consistent part discovery for fine-grained recognition},
author = {Robert van der Klis and Stephan Alaniz and Massimiliano Mancini and Cassio F. Dantas and Dino Ienco and Zeynep Akata and Diego Marcos},
journal= {arXiv preprint arXiv:2309.03173},
year = {2023}
}
备注
9 pages, 8 figures, ICCV