使用ResNets、定位与空间加权池化的车辆分类
计算机视觉与模式识别
2018-10-25 v1 机器学习
机器学习
摘要
我们研究了ResNet架构能否在细粒度车辆分类任务上优于更传统的卷积神经网络。我们在Comprehensive Cars数据集上训练并测试了ResNet-18、ResNet-34和ResNet-50，且未在其他数据集上预训练。随后我们修改网络以使用空间加权池化（Spatially Weighted Pooling）。最后，我们在分类过程前添加基于ResNet-50的定位步骤。我们发现使用空间加权池化和定位均提升了ResNet-50的分类准确率。空间加权池化将准确率提升1.5个百分点，定位将准确率提升3.4个百分点。两者结合将准确率提升3.7个百分点，在Comprehensive Cars数据集上达到96.351%的top-1准确率。我们的方法比一系列方法（包括使用传统CNN的方法）准确率更高。然而，我们的方法表现略逊于使用空间加权池化的预训练网络。
引用
@article{arxiv.1810.10329,
title = {Vehicle classification using ResNets, localisation and spatially-weighted pooling},
author = {Rohan Watkins and Nick Pears and Suresh Manandhar},
journal= {arXiv preprint arXiv:1810.10329},
year = {2018}
}
备注
15 pages