论文阅读笔记 | (CVPR 2018) Large Scale Fine-Grained Categorization and Domain-Specific Transfer Learning

fine-grained visual categorization(FGVC)，做细粒度分类。

下载地址：Large Scale Fine-Grained Categorization and Domain-Specific Transfer Learning

Abstract

通过微调(fine-tuning)从大规模数据集（eg., ImageNet）学到的知识为特定领域的细粒度视觉分类（FGVC）任务（eg., 识别鸟种或汽车制造和模型）提供了有效的解决方案。在这种情况下，数据注释(data annotation)通常需要专业领域的知识，因此难以扩展。

在这项工作中，我们首先解决了大规模FGVC的问题。我们的方法在iNaturalist 2017大型物种分类挑战赛中获得第一名。 我们的方法成功的核心是一个训练计划，它使用更高的图像分辨率并处理训练数据的长尾分布(long-tailed distribution)。接下来，我们通过从大规模数据集到小规模，特定领域FGVC数据集的微调来研究迁移学习(transfer learning)。

我们提出了一种通过地球移动器距离(Earth Mover's Distance)来估计域相似性(domain similarity)的方法，并通过该方法证明迁移学习受益于与目标域类似的源域上的预训练。我们提出的迁移学习优于ImageNet预训练，并在多个常用的FGVC数据集上获得最先进的结果。