细粒度分类算法总结(细粒度分类综述)
注:全文原创,未经允许,禁止转载!
概述
细粒度图像分类任务是对一个大类别中的子类别进行识别、分类。与传统的图像分类不同,细粒度分类任务中的图像往往具有较大的类间相似性与较大的类内差异,即属于不同类别的物体往往具有相似的形态与特征,而属于同一类别的物体图像由于光照、背景、遮挡以及拍摄角度的不同,往往会具有较大的视觉差异,如下图所示,区分图片中的物体属于“车类”还是属于“鸟类”非常容易,但是如果需要识别图片中的鸟是属于“Yellow Bellied Flycatcher”还是属于“Yellow breasted Chat”,则往往需要模型具有相对较强的识别能力。
想要正确鉴别不同的类别,就要求网络具有捕捉细微差异的能力,因此传统的细粒度识别算法往往需要额外的区域标签,通过对一些辨识性高的区域进行人工标注,从而辅助训练网络捕捉细节的能力,但这不仅需要较高的成本,还具有一定主观因素的干