Neurale Aktivierungskonstellationen: Unüberwachtes Entdecken von Teilmodellen mit Convolutional Networks

Teilmodelle von Objektkategorien sind entscheidend für herausfordernde Erkennungsaufgaben, bei denen die Unterschiede in den Kategorien subtil sind und sich nur in den Erscheinungsformen kleiner Teile des Objekts widerspiegeln. Wir präsentieren einen Ansatz, der in der Lage ist, Teilmodelle auf vollständig unüberwachtem Weg zu lernen, ohne Teilannotationen und sogar ohne vorgegebene Begrenzungsrahmen während des Lernens. Die Grundidee besteht darin, Konstellationen von neuronalen Aktivierungsmustern zu finden, die mit Hilfe von Convolutional Neural Networks berechnet wurden. In unseren Experimenten übertreffen wir bestehende Ansätze für feinkörnige Erkennung in den Datensätzen CUB200-2011, Oxford PETS und Oxford Flowers, wenn keine Teil- oder Begrenzungsrahmenannotationen verfügbar sind, und erreichen einen Stand der Technik für den Stanford Dog-Datensatz. Wir zeigen auch die Vorteile von neuronalen Konstellationsmodellen als Technik zur_datenerweiterung für das Fine-Tuning. Darüber hinaus verbindet unser Papier die Bereiche der generischen und feinkörnigen Klassifikation, da unser Ansatz für beide Szenarien geeignet ist.