細粒度圖像分析技術詳解
“有別于我們熟悉的圖像識別，“細粒度圖像分析”所屬類別和粒度更為精細，本文將向讀者全面介紹這一領域的相關技術。 ”
有別于通用圖像分析任務，細粒度圖像分析的所屬類別和粒度更為精細，它不僅能在更細分的類別下對物體進行識別，就連相似度極高的同一物種也能區別開來。本文將分別圍繞“細粒度圖像分類”和“細粒度圖像檢索”兩大經典圖像問題來展開，從而使讀者對細粒度圖像分析領域有全面的理解。
大家應該都會有這樣的經歷：逛街時看到路人的萌犬可愛至極，可僅知是“犬”殊不知其具體品種；初春踏青，見那姹紫嫣紅叢中笑，卻桃杏李傻傻分不清……實際上，類似的問題在實際生活中屢見不鮮。如此問題為何難？究其原因，是普通人未受過針對此類任務的專門訓練。倘若踏青時有位資深植物學家相隨，不要說桃杏李花，就連差別甚微的青青河邊草想必都能分得清白。為了讓普通人也能輕松達到“專家水平”，人工智能的研究者們希望借助計算機視覺技術（Computer Vision，CV）來解決這一問題。如上所述的這類任務在CV研究中有個專門的研究方向，即“細粒度圖像分析”（Fine-Grained Image Analysis）。
細粒度圖像分析任務相對通用圖像（General/Generic Images）任務的區別和難點在于其圖像所屬類別的粒度更為精細。以圖1為例，通用圖像分類其任務訴求是將“袋鼠”和“狗”這兩個物體大類（藍色框和紅色框中物體）分開，可見無論從樣貌、形態等方面，二者還是很容易被區分的；而細粒度圖像的分類任務則要求對“狗”該類類別下細粒度的子類，即分別為“哈士奇”和“愛斯基摩犬”的圖像分辨開來。正因同類別物種的不同子類往往僅在耳朵形狀、毛色等細微處存在差異，可謂“差之毫厘，謬以千里”。不止對計算機，對普通人來說，細粒度圖像任務的難度和挑戰無疑也更為巨大。
圖1 通用圖像分析
在此，本文針對近年來深度學習方面的細粒度圖像分析任務，分別從“細粒度圖像分類”（Fine-Grained Image Classification）和“細粒度圖像檢索”（Fine-Grained Image Retrieval）兩大經典圖像問題進行進展綜述，以期讀者可以對細粒度圖像分析領域提綱挈領地窺得全貌。
細粒度圖像分類
誠如剛才提到，細粒度物體的差異僅體現在細微之處。如何有效地對前景對象進行檢測，并從中發現重要的局部區域信息，成為了細粒度圖像分類算法要解決的關鍵問題。對細粒度分類模型，可以按照其使用的監督信息的強弱，分為“基于強監督信息的分類模型”和“基于弱監督信息的分類模型”兩大類。
基于強監督信息的細粒度圖像分類模型
所謂“強監督細粒度圖像分類模型”是指：在模型訓練時，為了獲得更好的分類精度，除了圖像的類別標簽外，還使用了物體標注框（Object Bounding Box）和部位標注點（Part Annotation）等額外的人工標注信息，如圖2所示。
圖2 物體標注框和部位標注點
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%