SGNet：一种用于图像分类与目标检测的超类引导网络
计算机视觉与模式识别
2021-04-28 v1
摘要
多数分类模型并行处理不同对象类别，且任意两类间的误分类被同等对待。相比之下，人类在预测未知对象时可利用高层信息。受此启发，本文提出超类引导网络（SGNet），将高层语义信息整合进网络以提升推理性能。SGNet采用包含超类与细类两级标注。超类是由若干细类组成的高层语义类别。引入在超类标签上训练的超类分支（SCB）以引导细类预测。推理时采用两种策略：两步推理（TSI）与直接推理（DI）。TSI先预测超类，再预测相应细类；DI则直接由细类分支（FCB）生成预测。在CIFAR-100与MS COCO数据集上进行了充分实验，结果验证了所提方法并在图像分类与目标检测上展现出优越性能。
引用
@article{arxiv.2104.12898,
title = {SGNet: A Super-class Guided Network for Image Classification and Object Detection},
author = {Kaidong Li and Nina Y. Wang and Yiju Yang and Guanghui Wang},
journal= {arXiv preprint arXiv:2104.12898},
year = {2021}
}