本文探讨了细粒度图像识别任务，包括强监督和弱监督方法。重点介绍了LAC模型，该模型结合定位、对齐和分类，通过VLF模型实现端对端训练。实验表明，这种集成方法在细粒度图像分析中取得了一定的提升效果，并为未来弱监督模型的研究提供了思路。
1.细粒度图像分析任务（又叫子类别图像分类）
分类：强监督（物体标准框、局部标注点）、弱监督（无人工标注信息或者只包含物体标注框）；
图 1 细粒度图像识别与粗类识别的区别
数据集描述：Caltech-UCSD Birds-200-2011
图 2 数据集的描述展示
2.细粒度图像分割的相关任务
2.1 两级注意力模型
图 3 细粒度识别的框架
两级注意力模型（关注的是两个不同层次级的特征，其中物体级（强监督模型中的物体标注框）和局部级（强监督模型中局部标注点）的特征）
Selective Search产生大量的局部区域，对于对象级的分类有很多成熟的模型（比如alenet和VGGnet），对于局部级的分类首先对其进行谱聚类，然后进行特征提取，最后将这两类特征进行级联，得到较高的分类精度（77.9%）。
2.2 星座模型
图 4 星座模型的图示
此时使用卷积特征产生的关键点作为局部区域，因为此时通过实验对卷积特征的可视化发现，卷积特征享有比较高的区域往往是原图中潜在的局部区域&#x
最低0.47元/天 解锁文章
1611
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
