在一些特定任务中,深度学习可以从原始材料中学习到具有标志性的特征。然而现实情况是,在有监督信息的超类中训练模型,而目标任务是细粒度类别。所以作者提出了一个算法,模型使用超类信息进行分类训练,同时能获得良好的细粒度分类结果。
现实世界中,相比较于直接从细粒度数据集上训练,我们更想从超类中训练,获得的模型却能够很好的应用在细粒度上。超类并不能满足我的需求,举个例子,当你查询一个“哈士奇”的图片,你更希望获得的哈士奇同类型狗的图片,而不是“dog”这种超类的繁冗图片。
使用超类数据集训练出的细粒度模型不能够得到 Fine-grained Pattern,因此这篇文章的主要贡献:
- 学习到的 Pattern 和任务有着很紧密的联系,相同图片但是不同标签的数据集获得 Pattern 都不相同。
- 作者提出一个算法,当训练任务数据集的标签是超类,而目标任务数据集的标签是细粒度的情况下,训练出 Fine-grained Pattern。
总结
在训练任务下,模型集中在训练任务上,而忽略很多 Fine-grained Pattern。作者的方法可以很好的解决这个问题,并且更进一步,合并无标签数据和有标签数据一起训练是未来的任务之一。