Fine-Grained Crowdsourcing for Fine-Grained Recognition(精读)

一.文献名字和作者

     Fine-Grained Crowdsourcing for Fine-Grained Recognition, Jia Deng, Jonathan Krause, Li Fei-Fei, CVPR2013

   

二.阅读时间

    2014年11月26日

三.文献的目的

    文章主要提出了一种使用众包的方法进行细粒度分类的方法，在传统的细粒度分类中加入人参与的环节，通过人工参与的形式，使得细粒度分类准确率有所上升。

四.文献的贡献点

    1.作者开发了一个用于标注图片可区分区域的游戏"Bubbles"，通过参与游戏的人在模糊图片中通过标注课区分区域的方法，连将模糊图片进行分类，使得游戏参与者能够进行下一个关卡，同时，作者也可以知道图像的那些部分是可以对鸟类进行区分的。

    2.作者提出了一个“BubbleBank”算法，一种使用众包选择出来的bubble进行细粒度识别的方法。这个算法的流程如图1所示。

          图1 算法流程

 4.1 "BubbleBank"算法

    1.Bubble检测器：首先将通过游戏获得的bubble进行特征提取，获得的部分作为一个bubble检测器。bubble检测器相当于一个滤波器，通过将bubble检测器与测试图像中进行密集采样的图像块中提取的特征进行卷积，然后将这些图像块的响应进行maxpooling，从而获得测试图像是否包含有该bubble。为了减少计算复杂度，作者只是在训练图像中bubble的位置附近进行检测，并没有在整个图像中进行。

    2."BubbleBank":Bubblebank就是将每一个bubble在图像中获得的最大值组合成一个向量，用来作为测试图像的特征.

    3.分类器：使用SVM作为最后的细粒度分类器。

4.2 实验设置

    1.Bubble Detector:使用SIFT特征和颜色直方图特征作为主要特征。其中SIFT包含128维，颜色直方图包含有11维，总共有139维。

    2.Bubble Detecting：对于每一个位置的响应就是将该位置的图像块所提取的139维特征和Bubble detector的139维特征的转置进行点乘，然后取所有图像块的响应中的最大值作为该Bubble detector的值。对于所有的Bubble detector都执行这样的操作，就可以得到测试图像的特征表示，然后进行分类。

    3.特征缩放：作者通过对于特征向量进行观察发现，将特征向量中的每一维都进行幂为p(p>1)的操作时，能够获得更好的效果。

    

五.使用的数据库

    CUB-200, CUB-14

六.实验结果

版权所有，欢迎转载，转载请注明出处，谢谢