可学习的语义数据增强的细粒度识别
原文中文,约300字,阅读约需1分钟。发表于: 。通过特征级别的数据增强和协方差预测网络,我们提出了一种改善细粒度图像识别的方法,可以有效区分细分类别,提高泛化性能。
本文介绍了一种基于深度卷积神经网络的学习系统,用于聚类视觉相似的类别,并学习每个子集的特定深度卷积神经网络特征。实验证明该方法在Caltech-UCSD鸟类数据集上优于最近的细粒度分类方法,最困难情况下平均准确率达到77.5%。渐进式迁移学习提高了准确性。
通过特征级别的数据增强和协方差预测网络,我们提出了一种改善细粒度图像识别的方法,可以有效区分细分类别,提高泛化性能。
本文介绍了一种基于深度卷积神经网络的学习系统,用于聚类视觉相似的类别,并学习每个子集的特定深度卷积神经网络特征。实验证明该方法在Caltech-UCSD鸟类数据集上优于最近的细粒度分类方法,最困难情况下平均准确率达到77.5%。渐进式迁移学习提高了准确性。