Fugu-MT 論文翻訳(概要): Exploiting Web Images for Fine-Grained Visual Recognition by Eliminating Noisy Samples and Utilizing Hard Ones

論文の概要: Exploiting Web Images for Fine-Grained Visual Recognition by Eliminating Noisy Samples and Utilizing Hard Ones

arxiv url: http://arxiv.org/abs/2101.09412v1
Date: Sat, 23 Jan 2021 03:58:10 GMT
ステータス: 処理完了
システム内更新日: 2021-03-19 10:42:16.403097
Title: Exploiting Web Images for Fine-Grained Visual Recognition by Eliminating Noisy Samples and Utilizing Hard Ones
Title（参考訳）: ノイズサンプルの除去とハード画像の活用による細粒度画像認識へのweb画像の活用
Authors: Huafeng Liu, Chuanyi Zhang, Yazhou Yao, Xiushen Wei, Fumin Shen, Jian Zhang, and Zhenmin Tang
Abstract要約: トレーニング中に実世界のWeb画像から無関係なサンプルを除去するための新しいアプローチを提案します。私達のアプローチはよりよい性能を達成するために無関係な騒々しいWebイメージおよび堅い例の有害な影響を緩和できます。
参考スコア（独自算出の注目度）: 60.07027312916081
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Labeling objects at a subordinate level typically requires expert knowledge, which is not always available when using random annotators. As such, learning directly from web images for fine-grained recognition has attracted broad attention. However, the presence of label noise and hard examples in web images are two obstacles for training robust fine-grained recognition models. Therefore, in this paper, we propose a novel approach for removing irrelevant samples from real-world web images during training, while employing useful hard examples to update the network. Thus, our approach can alleviate the harmful effects of irrelevant noisy web images and hard examples to achieve better performance. Extensive experiments on three commonly used fine-grained datasets demonstrate that our approach is far superior to current state-of-the-art web-supervised methods.
Abstract（参考訳）: 下位レベルにおけるオブジェクトのラベル付けは通常、専門家の知識を必要とする。これにより,Web画像から直接の微粒化認識の学習が注目されている。しかしながら,web画像におけるラベルノイズとハードサンプルの存在は,ロバストな細粒度認識モデルのトレーニングにおける2つの障害である。そこで本稿では,実世界のweb画像から無関係なサンプルをトレーニング中に削除する手法を提案する。したがって,提案手法は,無関係な web 画像やハードサンプルの有害な効果を軽減し,良好な性能を実現することができる。 3つの一般的なきめ細かなデータセットに関する広範囲な実験は、我々のアプローチが現在の最先端のweb教師付きメソッドよりはるかに優れていることを示している。