Part-based R-CNNs for Fine-grained Category Detection(精读)

一.文献名字和作者

     Part-based R-CNNs for Fine-grained Category Detection, ECCV2014
   

二.阅读时间

    2014年12月8日


三.文献的目的

     文献的目的是解决在进行细粒度识别的测试过程中,关于物体边框注解的依赖问题。


四.文献的贡献点

   作者提出了一种使用深度卷积特征作为整个物体检测器和可区分性物体检测器,并且在整体和可区分性块上面添加几何约束的细粒度分类算法,该算法在Caltech-UCSD 鸟类数据集上面获得很高的效果。
Part-based R-CNNs for Fine-grained Category Detection(精读)_第1张图片

4.1 基于块模型的RCNN

    对于每一个类别,训练一个root SVM的w0用于判断该物体是否出现,训练n个part SVM的权值w1,w2,...,wn用于判读块n是否在图像中出现,使用的特征为每一个RCNN学习的深度卷积特征,利用这些SVM可以得到全局和块的得分,当得分大于某个阈值时,可以然后全局或者该块在图像中出现。


4.2 几何约束

    如果仅仅考虑块检测的话,可能检测出来的块会出现一些超过了物体本身边界的地方(因为在测试的过程中,并没有用到边界,所以才可能出现这种情况)。因此,采用了几何约束,将块检测的结果约束在物体检测的一定范围内。
Part-based R-CNNs for Fine-grained Category Detection(精读)_第2张图片
Part-based R-CNNs for Fine-grained Category Detection(精读)_第3张图片


五.使用的数据库

     CUB200-2011



六.实验结果

Part-based R-CNNs for Fine-grained Category Detection(精读)_第4张图片
Part-based R-CNNs for Fine-grained Category Detection(精读)_第5张图片
Part-based R-CNNs for Fine-grained Category Detection(精读)_第6张图片


Part-based R-CNNs for Fine-grained Category Detection(精读)_第7张图片

版权所有,欢迎转载,转载请注明出处,谢谢微笑














你可能感兴趣的:(cnn,recognition,Fine-Grained,DeepLeaning)