面向训练数据稀缺领域的细粒度物体识别的显著性方法

本文研究了在可用训练数据稀缺的情况下，显著性（saliency）在提升卷积神经网络（CNN）分类准确率中的作用。我们的方法包括向现有 CNN 架构添加一个显著性分支，用于调制来自原始图像输入的标准自底向上视觉特征，充当引导特征提取过程的注意力机制。所提方法的主要目标是使细粒度识别模型在有限训练样本下得到有效训练并提升任务性能，从而缓解对大型数据集标注的需求。绝大多数显著性方法以其生成显著性图的能力进行评估，而非在完整视觉流水线中的功能。我们提出的流水线允许针对物体识别这一高层任务评估显著性方法。我们在多个细粒度数据集（Flowers、Birds、Cars 和 Dogs）不同条件下进行了大量实验，表明显著性可显著提升网络性能，尤其在训练数据稀缺时。此外，实验表明，在传统显著性基准上获得更优显著性图的方法，在物体识别流水线中应用时也能带来更高的性能增益。