双向去偏置增强粗标签下的细粒度学习
计算机视觉与模式识别
2025-02-28 v1
摘要
粗到细少样本(C2FS)任务旨在仅使用粗标签训练模型，然后利用有限的子类样本实现细粒度识别能力。该任务存在两个主要挑战：粗标签监督预训练抑制了关键细粒度特征的提取，以实现子类别判别；且由于细粒度样本有限导致分布偏差，模型容易过拟合。本文提出了双向去偏置(TFB)方法，通过细致特征增强和分布校准来解决这些挑战。具体而言，我们引入多层特征融合重构模块和中间层特征对齐模块，以抵消模型对直接关联粗标签监督的简单预测特征的倾向，而忽略复杂的细粒度层次细节。此外，我们利用充分利用粗标签样本嵌入来校正由细粒度分类器学习的有偏分布。在五个基准数据集上的大量实验表明，我们方法的有效性，实现了超越竞争方法的状态-of-the-art结果。
引用
@article{arxiv.2502.19816,
title = {Twofold Debiasing Enhances Fine-Grained Learning with Coarse Labels},
author = {Xin-yang Zhao and Jian Jin and Yang-yang Li and Yazhou Yao},
journal= {arXiv preprint arXiv:2502.19816},
year = {2025}
}