细粒度类别分类的子集特征学习
计算机视觉与模式识别
2015-05-12 v1
摘要
细粒度分类由于类间差异小、类内差异大和训练图像数量少一直是个挑战。我们提出一个学习系统，首先聚类视觉相似的类，然后学习特定于每个子集的深度卷积神经网络特征。在流行的细粒度 Caltech-UCSD 鸟数据集上的实验表明，所提方法在最困难设定下优于近期细粒度分类方法：测试时不提供边界框。它达到了 77.5% 的平均准确率，而之前最佳表现为 73.2%。我们还展示渐进迁移学习使我们能够首先学习领域通用特征（用于鸟分类），然后可适应于特定鸟类别集，产生准确率提升。
引用
@article{arxiv.1505.02269,
title = {Subset Feature Learning for Fine-Grained Category Classification},
author = {Zongyuan Ge and Christopher Mccool and Conrad Sanderson and Peter Corke},
journal= {arXiv preprint arXiv:1505.02269},
year = {2015}
}