深度细粒度图像识别研究综述

• 作者: 张勇东 徐静远 李攀登 谢洪涛 邓旭冉 闵少波
• 来源期刊: 南京信息工程大学学报
• 学科: 工学
• 关键词: 细粒度图像识别 深度学习 局部区域检测 双线性池化
• 年，卷（期）: 2019,（6）
• 所属期刊栏目: 综述
• 页码范围: 625-637
• 页数: 13页
• 分类号: TP183|TP391.41
• 字数: 9896字
• 语种: 中文
• DOI: 10.13878/j.cnki.jnuist.2019.06.001

摘要

细粒度图像分类是计算机视觉中一项基础且重要的工作,其目的在于区分难以辨别的对象类别(例如不同子类的鸟类、花或动物).不同于传统的图像分类任务可以雇佣大量普通人标注,细粒度数据集通常需要专家级知识进行标注.除了视觉分类中常见的姿态、光照和视角变化因素之外,细粒度数据集具有更大的类间相似性和类内差异性,因此要求模型能够捕捉到细微的类间差异信息和类内公有信息.除此之外,不同类别的样本存在不同程度的获取难度,因此细粒度数据集通常在数据分布中表现出长尾的特性.综上所述,细粒度数据分布具有小型、非均匀和不易察觉的类间差异等特点,对强大的深度学习算法也提出了巨大的挑战.本文首先介绍了细粒度图像分类任务的特点与挑战,随后以局部特征与全局特征两个主要视角整理了目前的主流工作,并讨论了它们的优缺点.最后在常用数据集上比较了相关工作的性能表现,并进行了总结与展望.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张勇东	中国科学技术大学信息科学技术学院	47	927	15.0	29.0
2	徐静远	中国科学技术大学信息科学技术学院	10	5	2.0	2.0
3	邓旭冉	中国科学技术大学信息科学技术学院	3	0	0.0	0.0
4	谢洪涛	中国科学技术大学信息科学技术学院	6	58	4.0	6.0
5	闵少波	中国科学技术大学信息科学技术学院	1	0	0.0	0.0
6	李攀登	中国科学技术大学信息科学技术学院	1	0	0.0	0.0