一、开头挺特别的。
问题是粗细粒度的主观性很强。为了解决这个新问题,我们首先进行了一项全面的人类研究,我们确认大多数参与者更喜欢多颗粒度的标签,无论他们是否认为自己是专家。然后,我们发现了一个关键的直觉:粗粒度的标签预测会加剧细粒度的特征学习,而细粒度的特征却能改善粗粒度分类器的学习。这一发现使我们能够设计出一个非常简单但却出乎意料地有效的解决方案来解决我们的新问题,即我们(i)利用特定级别的分类头来分离粗粒度特征和细粒度特征,以及(ii)允许细粒度特征参与粗粒度标签预测,这反过来有助于更好地分离。实验表明,我们的方法在新的FGVC设置中取得了卓越的性能,在传统的单标签FGVC问题上也比先进的方法表现得更好。由于其简单性,我们的方法可以很容易地在任何现有的FGVC框架上实现,并且是无参数的。
okk,传统的FGVC提供的是一个细粒度标签,like火焰鸟,作者提供的输出是一系列标签。从单标签分类,到自上而下地遍历一个预先定义的粗到细的标签层次--这样,我们的答案就变成了 "鸟类" ⇒ "腓尼基翅目" ⇒ "腓尼基翅科" ⇒ "火烈鸟"。
二、目、科、种。图1,对单标签/多标签的偏好。图2, 人类对鸟类的熟悉程度对单标签选择的影响。id越大,越专业。group5领域专家。越专业,越偏好种(细分)图3,人类对鸟类的熟悉程度对多标签选择的影响。越专业,越偏好多标签。
tbc