跳出图像池：面向相对属性的主动训练图像生成
计算机视觉与模式识别
2019-01-10 v1
摘要
当前的主流观点以为标注图像数据越多越好，且获取标签是瓶颈。然而，策划一个足够多样且信息丰富的图像池本身即是一项挑战。特别地，对于细粒度属性，训练图像策划尤为困难，因为感兴趣的细微视觉差异在传统图像来源中可能十分罕见。我们提出一种主动图像生成方法来解决此问题。其核心思想是联合学习属性排序任务，同时学习生成有益于该任务的逼真新图像样本。我们引入一个端到端框架，动态“想象”会混淆当前图像对的样本，将其呈现给人类标注者打标，再用新样本改进预测模型。在两个数据集上的结果表明，通过跳出真实图像池思考，我们的方法在具有挑战性的细粒度属性比较上获得了泛化精度。
引用
@article{arxiv.1901.02551,
title = {Thinking Outside the Pool: Active Training Image Creation for Relative Attributes},
author = {Aron Yu and Kristen Grauman},
journal= {arXiv preprint arXiv:1901.02551},
year = {2019}
}