A Codebook-Free and Annotation-Free Approach for Fine-Grained Image Categorization(精读)

一.文献名字和作者

    A Codebook-Free and Annotation-Free Approach for Fine-Grained Image Categorization, CVPR2012

   

二.阅读时间

    2014年12月3日

三.文献的目的

    为了解决细粒度分类中，由于样本标注和人工参与比较少的情况下，传统分类算法无法使用的情况，作者提出了一种不需要字典无关和标注无关的细粒度分类方法。

四.文献的贡献点

    作者提出了一种字典无关和标注无关的细粒度物体识别框架。作者提出的算法能够通过一个高效的模板匹配算法直接对图像区域进行匹配来获得物体类别之间的细小差别。然后作者使用大量的模板在图像中的响应值作为图像的特征，后面使用新的bagging-based算法，该算法通过将一系列有很强分类能力但是保持相关性很低的分类器的结果进行平均来得到最后的分类结果。

4.1 基于模板匹配的特征

   使用连续的模板匹配得分来代替离散的视觉字典作为图像的表示，能够捕捉到相似图像块的微小不同之处。

   首先，在每一个样本中随机选择大量的图像块作为图像的模板。

   模板与图像的匹配过程主要按照下面的流程：

   1.将图像进行不同程度的缩放；

   2.对于缩放后的图像，在位置c处的图像块与模板的相似性可以用下面的式子来计算

   

   3.通过对图像的不同位置进行匹配，能够得到一个得分图。使用两层金字塔将得分图转化为一个特征向量。在第一层金字塔中，选择出响应最大的值，然后在其范围为0.1得分图内选择第二和第三大的响应值，在第二层金字塔中，每个区域选择一个最大的响应值。通过这样的处理，每一个得分图可以转化为一个7维的向量。这个图像可以表示为No.Templates*No.Scales*7维的特征向量。

   

4.2 Bagging-based分类算法

1.目的：解决由于图像的特征维数太大导致的过拟合问题。

2.做法：选择P个分类器，每个分类器是一个线性分类器，也就是计算一个特征的权值w。训练过程的cost function如下：

    

    通过限制条件，使得每一个分类器之间的相关性最小。

    在测试过程中，分类的结果是P个分类器得到的置信度的平均值。

3.最优化过程：可以使用Convex-Concave Produce(CCCP)算法进行求解。在迭代求解过程中，第t的计算过程如下：

五.使用的数据库

    CUB Birds dataset.

六.实验结果

1.与基于视觉字典的方法和基于标注的算法的对比

    

2.模板个数对于分类正确率的影响

3.Bagging-base算法与其他分类算法的对比

4.对于物体位置的鲁棒性

版权所有，欢迎转载，转载请注明出处，谢谢