关系代理：作为细粒度判别器的涌现关系
计算机视觉与模式识别
2022-10-06 v1 机器学习
摘要
大体共享相同部件集合的细粒度类别无法仅基于部件信息加以区分，因为它们主要在局部部件与物体整体全局结构的关系方式上有所不同。我们提出 Relational Proxies，一种利用物体全局与局部视图之间关系信息来编码其语义标签的新方法。从对细粒度类别间可区分性概念的严格形式化出发，我们证明了模型在细粒度设定下学习潜在决策边界所必须满足的充要条件。我们基于理论发现设计了 Relational Proxies，并在七个具挑战性的细粒度基准数据集上评估，在所有数据集上均取得最先进（SOTA）结果，在某些情况下以超过 4% 的幅度超越已有工作的性能。我们还通过实验验证了关于细粒度可区分性的理论，并在多个基准上获得一致结果。实现代码见 https://github.com/abhrac/relational-proxies。
引用
@article{arxiv.2210.02149,
title = {Relational Proxies: Emergent Relationships as Fine-Grained Discriminators},
author = {Abhra Chaudhuri and Massimiliano Mancini and Zeynep Akata and Anjan Dutta},
journal= {arXiv preprint arXiv:2210.02149},
year = {2022}
}
备注
Neural Information Processing Systems (NeurIPS) 2022