基于外观的复合属性学习的细粒度识别

由于语义可理解性及共享性,视觉属性作为刻画对象的中间特征表示在众多领域得到了广泛应用。视觉属性学习中,大量的人工成本用于属性定义和标注,因此难以避免地引入了主观偏见,属性表示的类别判别性难以保证,尤其面临对判别性要求较高的细粒度识别任务时更为明显。复合属性符合人类认知规律以及对象复杂多模分布的事实,从刻画对象的分布入手,以较低廉的代价建立兼具一定描述能力及较好判别能力的特征表示,以应对细粒度识别任务对判别特征和判别模型的较高要求。在细粒度识别代表性公开数据集CUB上验证了所提方法的有效性。在细粒度识别任务中,复合属性表现出比人工定义的属性以及类别判别属性更优的性能。

基于姿态的判别属性学习及在细粒度识别中的应用

姿态变化造成同一对象或同类对象的视觉信息差异巨大,成为计算机视觉中对象识别的一大挑战因素.属性表示重在刻画较高的抽象语义特性,具有应对包括姿态变化的复杂环境变化的鲁棒性,但也给属性学习自身带来了较大难度.如何降低属性学习的难度同时提高属性表示的判别力,成为基于属性表示的识别模型的关键,尤其面临对判别属性要求较高的细粒度识别任务.显式地对姿态建模,在不同姿态下学习能够最大化类别间隔的视觉判别属性,最终作为中间表示用于类别识别.最后,在细粒度公开数据集CUB上验证了所提出的基于姿态的判别属性在细粒度识别任务中的有效性.