通过基于标签比例的层次学习实现隐私保护的细粒度视觉分类
计算机视觉与模式识别
2025-05-30 v1
摘要
近年来，细粒度视觉分类（FGVC）尽管类间差异微小，仍取得了令人瞩目的识别准确率。然而，现有方法严重依赖实例级标签，使其在医疗图像分析等隐私敏感场景中不切实际。本文旨在不直接访问实例标签的情况下实现准确的细粒度识别。为此，我们利用标签比例学习（LLP）范式，该范式仅需包级标签即可进行高效训练。与现有的基于LLP的方法不同，我们的框架显式地利用了细粒度数据集的层次特性，实现了渐进式的特征粒度细化并提高了分类准确率。我们提出了层次细粒度标签比例学习（LHFGLP），这是一个结合了展开层次细粒度稀疏字典学习的框架，将手工设计的迭代近似转化为可学习的网络优化。此外，我们提出的层次比例损失提供了层次监督，进一步增强了分类性能。在三个以包结构组织的广泛使用的细粒度数据集上的实验表明，我们的框架始终优于现有的基于LLP的方法。我们将发布代码和数据集，以促进隐私保护细粒度分类的进一步研究。
引用
@article{arxiv.2505.23031,
title = {Towards Privacy-Preserving Fine-Grained Visual Classification via Hierarchical Learning from Label Proportions},
author = {Jinyi Chang and Dongliang Chang and Lei Chen and Bingyao Yu and Zhanyu Ma},
journal= {arXiv preprint arXiv:2505.23031},
year = {2025}
}
备注
10 pages, 5 figures, 5 tables