Knowledge Guided Disambiguation for Large-Scale Scene Classification With Multi-Resolution CNNs》阅读笔记

《Knowledge Guided Disambiguation for Large-Scale Scene Classification With Multi-Resolution CNNs》阅读笔记

图像分类中遇到的困难，以及针对这些困难本文方法的优势在哪里？
场景分类中遇到的困难：
1、场景的类别常常通过多个信息（局部目标，全局布局，背景信息）综合确定，这使得分类的类间差距很大。
2、随着场景类别的增多，在大规模图像分类中，标签的歧义称为另一关注的焦点。
论文的贡献：
1、提出（由相互补充的粗分辨率CNN和精细分辨率CNN构成的）多分辨率CNN框架以获得多阶段的视觉信息和结构。
2、设计了两个消除标签歧义的技术：1）根据验证集合上混淆矩阵提供的信息将标签有歧义的多个类和并成一个超级大类。2）利用额外的网络产生每张图像的soft标签。接着利用超级类或者soft标签指导CNN的训练。
2、 本文方法获得的成就。
1、 ILSVRC2015, Places2挑战赛的第二名。
2、 CVPR2016, LSUN挑战赛的第一名
3、 论文评价提出的方法在MIT Indoor67和SUN397数据集上，准确率分别为86.7%, 72.0%。
分类的准确率

本文方法具体是怎么做的ÿ