论文笔记《Harvesting Discriminative Meta Objects with Deep CNN Features for Scene Classification》

文章提出一个pipeline从场景训练集中挖掘代表性的元素（Meta object），将一幅图像用这些Meta object表示，得到了state-of-the-art的分类效果。

论文来自ICCV2015

1 Motivation

假设：场景的类别与场景中的目标有关。

本文借鉴BOW思想，用整个训练集提取出representative and discriminative Meta object，用category-specific的object表示图像。

2 Method

文章提出的pipeline分5步，图示如下：

Step 1：得到object candidates

• 用MCG1 (Multiscale combinational grouping)得到region proposals

MCG是基于图片的空间金字塔分割，将多尺度的分割结果合并后得到candidates，能够更好地捕获细节，得到更精确的proposal。

• 对得到的patch用Hybrid-CNN2提取特征，使用fc7层输出作为patch的特征。

Hybrid-CNN是用Places数据集（场景图片数据集）和ImageNet的图片数据集一起训练得的网络，更适用于场景图片。

Step 2：筛选object

• 通过one-class SVM3去除outliers，也就是在特征空间中和其他patch都不靠近的点。

目标函数：

min12∥w∥2+1vl∑lξi−ρ

(w⋅Φ(xi))≥ρ−ξi,xii≥0,i=1,2,…,l

决策函数：

f(x)=sign(w⋅Φ(xi)−ρ)

其中， l 是样本个数， v 是outlier所占比率，是人为设置的， ρ 是offset，one-class SVM可以看做将二分类的分类面向一侧平移以忽略一些点，这个offset就是平移的距离。

下图是v={0.1,0.2,0.4}时 ρ 的变化，可以看到为了去掉更多outlier，分类面在收缩。

• 通过weakly supercised soft screen得到判别性强的patch

为图片 i 中的patch j 计算一个weight，在所有patch中（除去第i张图的所有其他patch）选patch j的K个近邻，有 Ky 个patch和patch j的label是相同的。这样使得场景的代表性patch有较高的weight。

wij=P(yi∣pij)=P(pij,yi)P(pij)≈Ky/K.

从下图可以看出，代表性patch其实是不多的。

Step 3：得到Meta object

• 用RIM4(Regularized information maximization)对所有patch聚类，聚类中心就是Meta object，目的是分析整合representative patch中的语义信息。
  聚类结果示例：

Step 4：编码图像特征

• 用所有patch来fine tune一个CNN，输出结点是Meta object，这个CNN用来做patch分类。
• 用Meta object作为codebook表示图像，用SPM5或VLAD6做pooling。
• 得到的图像特征，再和整幅图的CNN串联，作为最终的图像特征表示。

Step 5：分类

• 用有2层隐含层的神经网络，共4层；
• 每个隐含层200个节点，输入层是图像特征，输出层是图像label；
• 用Relu作为激励函数；

3 Experiment

实验中对pipeline的每一个环节都做了验证。

4 Summary

• Meta object实际上是proposal的聚类结果，而proposal本身只是object候选框，在后面的Meta object挖掘过程中并没有调整这些proposal的内容，所以要依赖于高质量的proposal。
• 挖掘discriminant patch时没有用准确的标号信息，限制了挖掘能力。

1. Multiscale combinatorial grouping. CVPR 2014 ↩
2. Learning deep features for scene recognition using places database. NIPS 2014 ↩
3. Estimating the support of a high-dimentional distribution. Neural Comput. 2011 ↩
4. discriminative clustering by regularized information maximization. NIPS 2010 ↩
5. Linear spatial pyramid matching using sparse coding for image classification. CVPR 2009 ↩
6. Aggregating local descriptors into a compact image representation. CVPR 2010 ↩