基于粗分类器的测试时修正用于细粒度分类
计算机视觉与模式识别
2023-10-31 v2 机器学习
摘要
我们研究降低细粒度分类错误严重度的问题。细粒度分类可能具有挑战性，主要由于准确标注需要领域专业知识。然而，人类特别擅长粗分类，因其所需专业水平相对较低。为此，我们提出一种称为层次集成（HiE）的事后修正新方法，其利用标签层次结构，在测试时借助粗粒度预测提升细粒度分类性能。仅需叶节点的父节点，我们的方法在 iNaturalist-19 与 tieredImageNet-H 数据集上显著降低了平均错误严重度，同时提升了 top-1 准确率，在两个基准上均达到新的 SOTA。我们还考察了该方法在半监督设定下的有效性。随着细粒度类的训练数据减少，我们的方法在 top-1 准确率上带来显著提升，同时显著降低错误严重度。HiE 的简单性与事后特性使其可实用地与任何现成训练模型结合以进一步改进其预测。
引用
@article{arxiv.2302.00368,
title = {Test-Time Amendment with a Coarse Classifier for Fine-Grained Classification},
author = {Kanishk Jain and Shyamgopal Karthik and Vineet Gandhi},
journal= {arXiv preprint arXiv:2302.00368},
year = {2023}
}
备注
8 pages, 2 figures, 3 tables, Accepted at NeurIPS 2023