在本文中,我们提出了Primatul,这是一种用于从细粒识别中使用的数据集的零件检测器无监督学习的新型算法。它利用了训练集中所有图像的宏观相似性,以便在预先训练的卷积神经网络的特征空间中进行重复的模式。我们提出了实施检测部件的局部性和统一性的新目标功能。此外,我们根据相关评分将检测器嵌入置信度度量,从而允许系统估计每个部分的可见性。我们将我们的方法应用于两个公共细粒数据集(Caltech-UCSD Bird 200和Stanford Cars),并表明我们的探测器可以一致地突出物体的一部分,同时很好地衡量了对其预测的信心。我们还证明,这些探测器可直接用于构建基于零件的细粒分类器,这些分类器在基于原型的方法的透明度与非解剖方法的性能之间提供了良好的折衷。
translated by 谷歌翻译