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。