面向细粒度识别的空间-尺度对齐网络
计算机视觉与模式识别
2020-01-07 v1
摘要
现有的细粒度视觉识别方法侧重于学习基于边缘区域的表示，而忽略了空间与尺度上的错位，导致性能不佳。本文提出空间-尺度对齐网络（SSANET），并在识别过程中隐式地处理错位问题。具体而言，SSANET 包含：1）带有形态对齐约束的自监督候选区域挖掘策略；2）判别性尺度挖掘（DSM）模块，其通过循环矩阵利用特征金字塔，并提供傅里叶求解器以实现快速尺度对齐；3）有向池化（OP）模块，该模块在若干预定义方向下执行池化操作。每个方向定义一种空间对齐方式，网络通过学习自动确定何种为最优对齐。借助所提两个模块，我们的算法可自动确定准确的局部候选区域，并生成对多种表观变化具有不变性的更鲁棒目标表示。大量实验验证 SSANET 善于学习更优的空间-尺度不变目标表示，在多个基准的细粒度识别任务上取得了优越性能。
引用
@article{arxiv.2001.01211,
title = {Spatial-Scale Aligned Network for Fine-Grained Recognition},
author = {Lizhao Gao and Haihua Xu and Chong Sun and Junling Liu and Yu-Wing Tai},
journal= {arXiv preprint arXiv:2001.01211},
year = {2020}
}