重新审视姿态归一化在细粒度少样本识别中的应用
计算机视觉与模式识别
2020-04-03 v1
摘要
少样本细粒度分类要求模型仅基于少量图像学习不同类别之间细微的、细粒度的区别（例如鸟类）。这需要对姿态、关节活动和背景具有显著的不变性。一种解决方案是使用姿态归一化表示：首先在每幅图像中定位语义部位，然后通过刻画每个部位的外观来描述图像。尽管此类表示在完全监督分类中已不受青睐，我们表明它们对少样本细粒度分类极为有效。在模型容量仅微小增加的情况下，姿态归一化为浅层与深层架构带来 10 至 20 个百分点的准确率提升，对新领域泛化更好，并对多种少样本算法与网络骨干有效。代码见 https://github.com/Tsingularity/PoseNorm_Fewshot
引用
@article{arxiv.2004.00705,
title = {Revisiting Pose-Normalization for Fine-Grained Few-Shot Recognition},
author = {Luming Tang and Davis Wertheimer and Bharath Hariharan},
journal= {arXiv preprint arXiv:2004.00705},
year = {2020}
}
备注
To appear in CVPR 2020