细节决定成败：野外细粒度分类
计算机视觉与模式识别
2017-09-06 v1
摘要
世界是长尾分布的。这对计算机视觉和视觉识别意味着什么？主要有两点启示：(1) 应用中需要考虑的类别数量可能非常庞大，(2) 大多数类别的训练样本数量可能非常少。当前的视觉识别算法已实现了卓越的分类准确率。然而，它们需要大量训练样本才能达到最佳性能，这表明长尾分布将无法得到良好处理。我们在 eBird（一个大型细粒度分类数据集）和最先进的深度网络分类算法的背景下分析了这个问题。我们发现：(a) 在表示充分的类别上，峰值分类性能卓越；(b) 给定足够的数据，分类性能仅因类别数量增加而受到极小的影响；(c) 随着训练样本数量的减少，分类性能急剧下降；(d) 令人惊讶的是，当前方法中几乎不存在迁移学习。我们的发现表明，我们社区应正视长尾问题。
引用
@article{arxiv.1709.01450,
title = {The Devil is in the Tails: Fine-grained Classification in the Wild},
author = {Grant Van Horn and Pietro Perona},
journal= {arXiv preprint arXiv:1709.01450},
year = {2017}
}