网络监督细粒度识别：基准数据集与方法
计算机视觉与模式识别
2021-08-12 v2
摘要
从网络学习可以缓解深度学习对大规模人工标注数据集的极度依赖。特别是对于细粒度识别，其目标是区分下属类别，利用免费的网络数据将显著减少标注成本。尽管具有重要的实用和研究价值，网络监督细粒度识别问题在计算机视觉界尚未得到广泛研究，主要由于缺乏高质量数据集。为填补这一空白，本文构建了两个新的基准网络监督细粒度数据集，分别称为WebFG-496和WebiNat-5089。具体而言，WebFG-496由三个子数据集组成，共包含53,339张网络训练图像，涵盖200种鸟类（Web-bird）、100种飞机（Web-aircraft）和196种汽车（Web-car）。WebiNat-5089包含5089个子类别和超过110万张网络训练图像，是有史以来最大的网络监督细粒度数据集。作为次要贡献，我们还提出了一种新颖的网络监督方法（称为“Peer-learning”）用于这些数据集的基准测试。在两个新基准数据集上的综合实验结果与分析表明，所提方法优于对比基线模型和最先进水平。我们的基准数据集及Peer-learning的源代码已发布于{\url{https://github.com/NUST-Machine-Intelligence-Laboratory/weblyFG-dataset}}。
引用
@article{arxiv.2108.02399,
title = {Webly Supervised Fine-Grained Recognition: Benchmark Datasets and An Approach},
author = {Zeren Sun and Yazhou Yao and Xiu-Shen Wei and Yongshun Zhang and Fumin Shen and Jianxin Wu and Jian Zhang and Heng-Tao Shen},
journal= {arXiv preprint arXiv:2108.02399},
year = {2021}
}
备注
accepted by ICCV 2021