【转载】细粒度图像识别Object-Part Attention Driven Discriminative Localization for Fine-grained Image Classification

细粒度图像识别Object-Part Attention Driven Discriminative Localization for Fine-grained Image Classification(OPADDL) 论文笔记


原文:"Object-Part Attention Model for Fine-grained Image Classification", IEEE Transactions on Image Processing (TIP), Vol. 27, No. 3, pp. 1487-1500, Mar. 2018.
作者:Yuxin Peng, Xiangteng He, and Junjie Zhao(北京大学)
下载地址:https://arxiv.org/abs/1704.01740 【pdf】

细粒度图像识别系列其他文章:

1 简介

  • 细粒度图像识别是现在图像分类中一个颇具挑战性的任务,它的目标是在一个大类中的数百数千个子类中正确识别目标。相同的子类中物体的动作姿态可能大不相同,不同的子类中物体可能又有着相同的动作姿态,这是识别的一大难点。细粒度图像分类的关键点在寻找一些存在细微差别的局部区域(比如鸟类的喙、眼睛、爪子等),因此,现有的细粒度图像识别算法不但寻找图像中的整个物体(object),还寻找一些有区别的局部(part)。
    image_1bg2p0e0617kbkod1bt21mjk34n9.png-65.8kB
    image_1bg2ppbik1td581s11as1h6j1bu7m.png-260.9kB
  • 过去常用的生成object和part算法为Selective search,但它的召回率高,精准度低。细粒度图像识别中的寻找object和part可以视为一个两级注意力模型,一级是寻找object,另一级是寻找parts。大多数算法在训练寻找object和part的网络时都依赖于object-level attention 和 parts annotations等额外标注,这是一个非常大的劳动量。此为第一个限制。
  • 虽然现在有很多人开始不用annotations来训练寻找object和part的网络,但他们的生成方法破坏了object和parts之间的关联性,这就导致生成的parts包含大量背景,且parts之间互相重叠严重。此为第二个限制。
  • 为了解决上述两个限制,作者提出了object-part attention driven discriminative localization(OPADDL)方法。它在生成object和part方面使用了两个模型:
    • Object-Part Attention Model:该模型可以不利用人工annotaions信息来生成object和parts。它的注意力分为两级:Object级注意力模型利用CNN中的全局平均池化提取saliency map,以定位物体在图中的位置;Part级注意力模型首先选出有区别的部分,然后再把它们根据神经网络中的 cluster pattern 排列起来,以学习局部特征。将两级模型连接起来,就可以增强multi-view and multi-scale的特征学习。
    • Object-Part Spatial Constraint Model:该模型同样分为两个约束:Object级空间约束强行让选择出来的parts定位到object区域中;Part级空间约束减少parts中的重叠,且强调parts的显著性,这样可以消除重复且提高parts的区分性。两种空间约束联合起来,不仅可以发现更多显著的局部细节,还可以大大提高细粒度图像分类的准确率。
  • 最后强调一下,作者使用的弱监督方法,即训练和测试时不用任何annotations!

2 相关工作

  • 本章就不详细展开了,有兴趣的读者可以看看原文。提一下,现有的细粒度图像识别方法可以分成三类:Ensemble of Networks Based Methods、Visual Attention Based Methods、Part Detection Based Method。

3 OPADDL模型

image_1bg2sqh5e1bg61fb1mvs18j11ara13.png-253.5kB

  • OPADDL模型的全部结构正如上图所呈示,咋一看模型十分复杂,接下来我们把模型进行拆分,一块一块地说明。

A. Object-level Attention Model

  • 现有的很多弱监督模型着重于提取parts,而忽略了object的定位,事先提取object是可以除去很多背景噪声的。作者使用saliency extraction方法来自动定位object,其中分为两个内容:Patch Filter滤掉一张图中的背景patch,保留和object有关的patch来训练一个CNN网络ClassNet;Saliency Extraction通过全局平均池化(GAP)提取saliency map,完成object的定位。整个网络称为ObjectNet
    • Patch Filter:对于一张图,作者先用传统的selective search生成一堆patch,再用一个事先在ImageNet上预训练好的CNN(作者称之为FilterNet)进一步筛掉更多的背景patch。筛选的准则就是设置一个阈值,CNN的softmax层的输出(根据标签)高于阈值才保留。注意这个patch filter只在训练阶段使用,测试时就直接上ClassNet了。
    • Saliency Extraction:Saliency map表明有在CNN子类别识别中做出贡献的区域(Fig.4第二行)。上一步用patch filter筛出一些包含pbject的patch后,用CAM来生成子类别c的saliency map \(M_c\)接着根据saliency map就可以生成定位框(Fig.4第三行)。具体生成M的公式如下:

     image_1bg30t9911icujel1pnt1ikd1lh11g.png-35.2kB

    image_1bg30tg80d39q0q1pcm3c5r2f1t.png-289kB

B. Part-level Attention Model

和上面对应,B小节整个网络统称为“PartNet”

Object-Part Spatial Constraint Model

  • 本小节说的是object和part两个级别的空间约束。上面已经提到过了,没有object空间约束会使提取的parts包含大量背景,而没有parts空间约束会使提取的parts大量重叠,有些关键part被忽略。
  • 给定一张图像\(I\),它的saliency map \(M\)和object边缘\(b\)已经从小节A中获得。接下来以\(\mathbb{P}\)表示selective search生成的所有patch集合,\(P=\{p_1,p_2,...p_n\}\)代表选出来的n个parts。整个约束要做的事情就是实现如下最大值优化:

 image_1bg33s2t0g251ba3776vjv7442n.png-18.1kB

    • \(\Delta_{box}(P)\)表示object的空间约束。具体定义如下图。从定义可以看出,该约束就是为了鼓励parts和object尽可能重叠,IOU过阈值的个数越多,分数越高。

    image_1bg346i2r1qn91so615t11djnoa734.png-15.4kB

    • \(\Delta_{parts}(P)\)表示parts空间约束。既然saliency map可以表现出图像有区别的地方,作者就将saliency和parts的空间关系联合起来定义约束:

    image_1bg34a87r1jj35vu1uvb1jg03ts3h.png-32.6kB

    image_1bg34ahr01s3ug001gha1ut69c3u.png-19.1kB

Part Alignment

  • 通过上面约束模型求解出来的n个patch是无序的,在这一节里面将把它们按语义分类好(哪些是头,哪些是脚等等)。按语义分类的主要依据是CNN倒数第二层输出不同通道的响应区别,有些通道可能对头部有明显响应,有些则对脚有明显相应。
  • 首先计算两个神经元\(u_iu_j\)的相似矩阵\(S(i,j)\),接着用谱聚类把神经元分成m个簇。具体的操作步骤如下:
    • 改变patch的尺寸,让它传播到网络倒数第二层时只有1*1大小(单值);
    • 前向传播patch,每个通道都得到一个分数;
    • 每个簇内的通道值相加得到簇的分数(共m个分数);
    • 一个patch哪个簇分数最高,就把这个patch归到哪一类去,最后这些patch就能按语义被分成几类簇。整个算法如下描述:
      image_1bg3fa33l1ii2goa1gfgjfusnd4b.png-69.6kB

C. Final Prediction

  • 上面出现了许多网络,现在总结一下。ClassNet关注的是原始图像,ObjectNet关注的是目标object,PartNet关注的是局部parts。ObjectNet里面还有FilterNet
  • Object-level注意模型首先利用FilterNet生成与object相关的patch,这些patch又推动ClassNet更好地学习特征和目标定位。part-level注意模型选择出合适的局部信息。
  • 最后的得分方式是:
    image_1bg3gembm1nvu1gpb8k71tdj1l6n4o.png-9.2kB
    三个分数分别代表了ClassNet、ObjectNet、PartNet的softmax值,\(\alpha, \beta\, \gamma\)通过交叉验证来选择,以使final_score最高。

4 实验

数据集

  • 文章中使用了三个常用细粒度图像数据集:CUB-200-2011(鸟类)、Cars-196(汽车)和Oxford-IIIT Pet(猫狗等宠物)。评价标准很简单,正确识别数除以总数。

网络细节

  • 定位和分类网络都用VGGNET作为原型。定位网络中,VGG的conv5-3被移除,并且替换成3*3卷积核,1 padding,1024通道的卷积层,后面跟着GAP和softmax。修正后的VGGNET在ImageNet上预训练好。
  • 分类网络还加上了batch normalization。由于要识别原始图像、object和parts三块,每个都用相同的CNN结构,只是训练数据不同。

分类结果

  • CUB-200-2011上85.83%;Cars-196上92.19%;Oxford-IIIT Pet上93.81%。三个都是当前最高。

 


 

原文链接:https://blog.csdn.net/Cyiano/article/details/72081855

论文代码链接:https://github.com/PKU-ICST-MIPL/OPAM_TIP2018

转载别人对自己论文的笔记的滋味真是复杂啊。。

posted @ 2018-04-07 23:36  赵俊杰  阅读(2984)  评论(0编辑  收藏  举报