噪声数据在细粒度识别中的惊人有效性
计算机视觉与模式识别
2016-10-19 v3
摘要
当前细粒度识别的方法如下：首先，招募专家标注图像数据集，可选地还以部件标注和边界框的形式收集更结构化的数据。其次，利用这些数据训练模型。为实现解决细粒度识别的目标，我们引入了一种替代方法，利用来自网络的免费噪声数据和简单、通用的识别方法。该方法在性能和可扩展性方面均有优势。我们在四个细粒度数据集上展示了其有效性，在甚至未手动收集单个标签的情况下大幅超越了现有最优水平（state of the art），并且进一步展示了扩展到超过10,000个细粒度类别的初步结果。在定量上，我们在不使用其标注训练集的情况下，于CUB-200-2011上达到92.3%的top-1准确率，在Birdsnap上达到85.4%，在FGVC-Aircraft上达到93.4%，在Stanford Dogs上达到80.8%。我们将我们的方法与用于扩展细粒度数据集的主动学习（active learning）方法进行了比较。
引用
@article{arxiv.1511.06789,
title = {The Unreasonable Effectiveness of Noisy Data for Fine-Grained Recognition},
author = {Jonathan Krause and Benjamin Sapp and Andrew Howard and Howard Zhou and Alexander Toshev and Tom Duerig and James Philbin and Li Fei-Fei},
journal= {arXiv preprint arXiv:1511.06789},
year = {2016}
}
备注
ECCV 2016, data is released