Exploración del Centro de Clases para Clasificación Visual Fina

A diferencia de las tareas de clasificación a gran escala, la clasificación visual fina es una tarea desafiante debido a dos problemas críticos: 1) variaciones evidentes dentro de la clase y diferencias sutiles entre clases, y 2) sobreajuste debido a la escasez de muestras de entrenamiento en los conjuntos de datos. La mayoría de los métodos existentes extraen características clave para reducir las variaciones intra-clase, pero no prestan atención a las diferencias sutiles entre clases en la clasificación visual fina. Para abordar este problema, proponemos una función de pérdida llamada exploración del centro de clase, que consiste en una restricción de múltiples centros de clase y una generación de etiquetas de centro de clase. Esta función de pérdida utiliza completamente la información del centro de clase desde la perspectiva de características y etiquetas. Desde la perspectiva de características, la restricción de múltiples centros de clase acerca las muestras al centro de clase objetivo y aleja las muestras del centro de clase no objetivo más similar. Así, la restricción reduce las variaciones intra-clase y aumenta las diferencias entre clases. Desde la perspectiva de etiquetas, la generación de etiquetas de centro de clase utiliza las distribuciones de centro de clase para generar etiquetas suaves y aliviar el sobreajuste. Nuestro método puede integrarse fácilmente con los enfoques existentes de clasificación visual fina como una función de pérdida, para impulsar aún más un rendimiento excelente con solo ligeros costos de entrenamiento. Se llevan a cabo experimentos extensivos para demostrar las mejoras consistentes alcanzadas por nuestro método en cuatro conjuntos de datos de clasificación visual fina ampliamente utilizados. En particular, nuestro método logra un rendimiento de vanguardia en los conjuntos de datos FGVC-Aircraft y CUB-200-2011.