阅读小结：The Unreasonable Effectiveness of Noisy Data for Fine-Grained Recognition

The Unreasonable Effectiveness of Noisy Data for Fine-Grained Recognition

paper link: http://cn.arxiv.org/pdf/1511.06789.pdf

dataset: https://github.com/google/goldfinch

What:

同上一篇一样，这也是一篇关于细力度分类的paper。

通过加数据来做fine grain（这是以前大家不太想的。因为finegrain要求的标注难度很高。更不用说加上part或者语义分隔。

所以作者起的题目是unreasonable吧。）

How：

1.抓取类别list

对于鸟和昆虫（磷翅类：蝴蝶和甲虫），分别从wiki上抓了10,982种鸟和14,553种昆虫。

对于aircraft，是人为写了一个409类的list。

对于狗，混合了原来stanford-dog 120类和额外的395类。共515种狗。

2.直接在谷歌图片网站上搜索，获取图片

－ 但是应该取多少图片？

－ 作者注意到几个趋势：

- 往往数据集中已有的类别图片较多。但数量还是远远少于搜索到的结果。

- 像bird或者aircraft数据集中per class 图片的数量还是很多的。而butterfly不行。

- 数据集在 per class＝800的时候都有明显下降。图片数量超过800的class很少。这似乎是一个公开搜索的限制。（因为作者搜集的数据超过800的也很少）

最终作者抓取了超过 9,800,000张图，给26,548 个类别  平均每类370+张图片。

－ noise怎么办？

－ noise可以分为两类：一类是cross-domain，比如鸟的图片里完全没有鸟；一类是cross-category，比如某种鸟的图像里含有了另一种鸟。

为了量化cross-domain noise，作者人工标注了1000张图片。虽然每一类的cross-domain noise不多，但有一个有趣的关联：随着每一类的图片增多，cross-domain noise在减少。作者得到一个假设，搜索结果其实是一个pool从中得到搜索结果，因此搜索结果慢慢变得准确率高了。

而cross-category noise就难了。（缺乏细力度的标注）作者用了最简单的办法，排除那些搜索结果重复的图片。（搜鹦鹉你出现了，搜犀鸟你又出现了，那你就是流氓）

小结：作者说他们也用过一些技术去除cross－domain，但是发现对结果影响不太重要。所以他们后来就保留了这些noise，主要去除cross-category

3.active learning

另外，作者还提出了一种收集数据集的方法。noise data＋annotation。 在学习过程中慢慢加入新的图片。

sample selection： 是按照预先训练好的分类器的置信度分布去采样的，一般高conf的样本对的多。

而不是采样那些uncertain的图片（因为不确定的图片往往质量也不好，所以才被分在边界上嘛）

human annotation：

作者还设计了一个交互界面。

小结：文章整体提供了一个抓数据的方案。细节都make sense 的～