文献

J-GLOBAL ID：202102229067343690   整理番号：21A0576490

顕著な領域局所化と異なる層特徴融合による弱教師付き細粒度画像分類【JST・京大機械翻訳】

Weakly Supervised Fine-Grained Image Classification via Salient Region Localization and Different Layer Feature Fusion

著者 (7件)： Chen Fangxiong (School of Automation, Guangdong University of Technology, Guangzhou 510006, China) ,  Huang Guoheng (School of Computers, Guangdong University of Technology, Guangzhou 510006, China) ,  Lan Jiaying (School of Computers, Guangdong University of Technology, Guangzhou 510006, China) ,  Wu Yanhui (School of Information Engineering, Guangdong University of Technology, Guangzhou 510006, China) ,  Pun Chi-Man (Department of Computer and Information Science, University of Macau, Macau SAR 999078, China) ,  Ling Wing-Kuen (School of Information Engineering, Guangdong University of Technology, Guangzhou 510006, China) ,  Cheng Lianglun (School of Computers, Guangdong University of Technology, Guangzhou 510006, China)
資料名： Applied Sciences (Web)  (Applied Sciences (Web))
巻： 10  号： 13  ページ： 4652  発行年： 2020年 
JST資料番号： U7135A  ISSN： 2076-3417  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 細粒画像分類タスクは,異なるオブジェクトクラス間で識別する。タスクの困難さは,大きなクラス内分散と小さなクラス間分散である。この理由のために,タスクに関するモデル精度の向上は,弁別的部分アノテーションと地域部分アノテーションに大きく依存した。そのような繊細な注釈依存性は,モデル実用性の制約を引き起こす。この問題に取り組むために,弱教師つき微細粒画像分類モデルに基づく顕著性モジュールを,この論文で提案する。顕著な領域局在化モジュールを通して,提案モデルは,顕著性マップの利用によって,本質的地域部分を局所化することができ,一方,画像クラスアノテーションのみを提供した。さらに,双線形注意モジュールは,グローバル特徴を有する地域特徴を融合するために,ネットワークのより高いおよびより低いレベル層を用いることによって,特徴抽出に関する性能を向上することができた。双線形注意アーキテクチャの適用によって,著者らは,モデル特徴の表現能力を改善するために,異なる層特徴融合モジュールを提案した。細粒画像分類のために特に公開された公開データセットに関する著者らのモデルを試験し,検証した。著者らのテストの結果は,著者らの提案モデルが様々なデータセットに関して最先端の分類性能に近いことができる一方,最小訓練データだけを提供することを示した。そのような結果は,微細粒画像データセットが高価であるため,著者らのモデルの実用性が確実に改善されることを示した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ネットワーク ,  特徴抽出 ,  線形性 ,  計算機アーキテクチャ ,  *アノテーション
準シソーラス用語： 画像データ ,  訓練データ ,  *画像分類 ,  オブジェクトクラス ,  顕著性マップ ,  *特徴融合 , 【Automatic Indexing@JST】

著者キーワード (3件)： 細粒画像分類 ,  異なる層特徴融合 ,  注意モデル

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

引用文献 (42件)：

• Peng, Y.; He, X.; Zhao, J. Object-Part Attention Model for Fine-Grained Image Classification. IEEE Trans. Image Process. 2018, 27, 1487-1500.
• Luo, J.-H.; Wu, J.-X. A survey on fine-grained image categorization using deep convolutional features. Acta Autom. Sin. 2017, 43, 1306-1318.
• Zhang, L.-B.; Wang, C.-H.; Xiao, B.-H.; Shao, Y.-X. Image Representation Using Bag-of-phrases. Acta Autom. Sin. 2012, 38, 46-54.
• Wah, C.; Branson, S.; Welinder, P.; Perona, P.; Belongie, S. The Caltech-UCSD Birds-200-2011 Dataset; CNS-TR-2011-001; California Institute of Technology: Pasadena, CA, USA, 2011.
• Abdel-Hakim, A.E.; Farag, A.A. CSIFT: A SIFT Descriptor with Color Invariant Characteristics. In Proceedings of the 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’06), New York, NY, USA, 17-22 June 2006; pp. 1978-1983.

タイトルに関連する用語 (6件)： 局所化 ,  層 ,  特徴融合 ,  教師 ,  細粒度 ,  画像分類