在训练数据不足情况下识别部件属性
计算机视觉与模式识别
2019-08-14 v2
摘要
识别物体及其部件的属性对许多计算机视觉应用十分重要。尽管在物体级识别方面已取得很大进展，但由于部件属性识别的训练数据通常稀缺，尤其对于互联网规模的应用，部件属性识别仍较少实用。此外，大多数现有部件属性识别方法依赖于部件标注，而该标注的获取成本更高。为解决数据不足问题并摆脱对部件标注的依赖，我们提出了一种用于部件属性识别的新颖概念共享网络（Concept Sharing Network, CSN）。CSN的一大优势是能够识别训练数据不足或为零的部件属性（部件位置与外观模式的组合），其通过分别从通常以单一标签混合二者的训练数据中学习部件位置与外观模式来实现。在CUB-200-2011[51]、CelebA[35]以及一个新提出的人体属性数据集上的大量实验证明了CSN的有效性及其相对于其他方法的优势，尤其是对于训练样本很少的属性。进一步实验表明CSN还能进行零样本部件属性识别。代码将发布于https://github.com/Zhaoxiangyun/Concept-Sharing-Network。
引用
@article{arxiv.1908.03335,
title = {Recognizing Part Attributes with Insufficient Data},
author = {Xiangyun Zhao and Yi Yang and Feng Zhou and Xiao Tan and Yuchen Yuan and Yingze Bao and Ying Wu},
journal= {arXiv preprint arXiv:1908.03335},
year = {2019}
}
备注
To appear in ICCV 2019