Fine-Grained Crowdsourcing for Fine-Grained Recognition(精读)

一.文献名字和作者

     Fine-Grained Crowdsourcing for Fine-Grained Recognition, Jia Deng, Jonathan Krause, Li Fei-Fei, CVPR2013
   

二.阅读时间

    2014年11月26日


三.文献的目的

    文章主要提出了一种使用众包的方法进行细粒度分类的方法,在传统的细粒度分类中加入人参与的环节,通过人工参与的形式,使得细粒度分类准确率有所上升。


四.文献的贡献点

    1.作者开发了一个用于标注图片可区分区域的游戏"Bubbles",通过参与游戏的人在模糊图片中通过标注课区分区域的方法,连将模糊图片进行分类,使得游戏参与者能够进行下一个关卡,同时,作者也可以知道图像的那些部分是可以对鸟类进行区分的。
    2.作者提出了一个“BubbleBank”算法,一种使用众包选择出来的bubble进行细粒度识别的方法。这个算法的流程如图1所示。

          图1 算法流程

 4.1 "BubbleBank"算法

    1.Bubble检测器:首先将通过游戏获得的bubble进行特征提取,获得的部分作为一个bubble检测器。bubble检测器相当于一个滤波器,通过将bubble检测器与测试图像中进行密集采样的图像块中提取的特征进行卷积,然后将这些图像块的响应进行maxpooling,从而获得测试图像是否包含有该bubble。为了减少计算复杂度,作者只是在训练图像中bubble的位置附近进行检测,并没有在整个图像中进行。
    2."BubbleBank":Bubblebank就是将每一个bubble在图像中获得的最大值组合成一个向量,用来作为测试图像的特征.
    3.分类器:使用SVM作为最后的细粒度分类器。

4.2 实验设置

    1.Bubble Detector:使用SIFT特征和颜色直方图特征作为主要特征。其中SIFT包含128维,颜色直方图包含有11维,总共有139维。
    2.Bubble Detecting:对于每一个位置的响应就是将该位置的图像块所提取的139维特征和Bubble detector的139维特征的转置进行点乘,然后取所有图像块的响应中的最大值作为该Bubble detector的值。对于所有的Bubble detector都执行这样的操作,就可以得到测试图像的特征表示,然后进行分类。
    3.特征缩放:作者通过对于特征向量进行观察发现,将特征向量中的每一维都进行幂为p(p>1)的操作时,能够获得更好的效果。

    


五.使用的数据库

    CUB-200, CUB-14



六.实验结果







版权所有,欢迎转载,转载请注明出处,谢谢微笑
     














评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值