PARTICUL: Part Identification with Confidence measure using Unsupervised Learning

要約

この論文では、細粒度認識で使用されるデータセットからの部品検出器の教師なし学習のための新しいアルゴリズムであるPARTICULを紹介します。
事前にトレーニングされた畳み込みニューラルネットワークの特徴空間で繰り返しパターンをマイニングするために、トレーニングセット内のすべての画像のマクロ類似性を利用します。
検出された部分の局所性と単一性を強化する新しい目的関数を提案します。
さらに、相関スコアに基づく信頼度を検出器に組み込んで、システムが各パーツの可視性を推定できるようにしました。
この方法を2つの公開されたきめ細かいデータセット（Caltech-UCSD Bird200とStanfordCars）に適用し、検出器がオブジェクトの一部を一貫して強調表示できると同時に、予測の信頼性を適切に測定できることを示します。
また、これらの検出器を直接使用して、プロトタイプベースのアプローチの透明性と解釈不可能なメソッドのパフォーマンスとの間の適切な妥協点を提供するパーツベースのきめ細かい分類器を構築できることも示します。

要約(オリジナル)

In this paper, we present PARTICUL, a novel algorithm for unsupervised learning of part detectors from datasets used in fine-grained recognition. It exploits the macro-similarities of all images in the training set in order to mine for recurring patterns in the feature space of a pre-trained convolutional neural network. We propose new objective functions enforcing the locality and unicity of the detected parts. Additionally, we embed our detectors with a confidence measure based on correlation scores, allowing the system to estimate the visibility of each part. We apply our method on two public fine-grained datasets (Caltech-UCSD Bird 200 and Stanford Cars) and show that our detectors can consistently highlight parts of the object while providing a good measure of the confidence in their prediction. We also demonstrate that these detectors can be directly used to build part-based fine-grained classifiers that provide a good compromise between the transparency of prototype-based approaches and the performance of non-interpretable methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google