1 简介

• 传统的图像识别一般都是识别花、鸟、汽车等不同类别物体，而细粒度图像识别则是要识别同一类物体下的不同子类。举个例子，识别一张图片是猫、狗、汽车还是飞机就是传统的图像识别，而识别一张图片是贵宾犬、边境牧羊犬、吉娃娃还是斗牛犬，则是细粒度图像识别。不同的犬类相似性一般都很高，比如下面的哈士奇和阿拉斯加雪橇犬，如果事先不知道它们有差别的部位，很难正确识别。现在图像识别大都使用卷积神经网络CNN，卷积层会针对整个图像（不论是背景还是物体）提取特征，而细粒度图像识别重点在于物体的一些关键部分，如此一来CNN提取的有很多特征向量都是没用的。

• 前人已经提出了很多先检测物体部位后识别的方法。本文提出了Mask-CNN模型（M-CNN），它在训练时仅需要part annotations和image-level标签这两个信息。其中part annotations分成两个集合：头部和躯干，如此part localization就成了一个三类分割问题。完整的网络可见下图，M-CNN是一个四线模型（four-stream），四个输入分别为完整图像、检测到的头部、检测到的躯干和检测到的完整物体，每条线程通过卷积最后都得到了deep descriptors（应该是常说的特征图），进而得到1024-d向量，将四个向量拼接在一起，通过l2l2正则化、全连接层和softmax，最后得到类别。

• 文章做出了三大贡献： 1、在细粒度图像识别方面，M-CNN是首个端到端的，将深度卷积描述符运用到物体检测的模型；2、M-CNN的参数最少（40.96M），向量维度最小（8192-d），CUB200-2011上准确率最高（85.4%）。如果通过SVD压缩特征向量至4096-d，准确率还能提高到85.5%；3、part localization方面同样比其他细粒度识别方法的高，尤其是其他方法还需要额外的边界框（bounding boxes）头部定 位准确率要比state-of-the-art高10%。

2 相关工作

• 过去几年，细粒度识别方法可以分成三类。第一类单纯地增加网络深度；第二类试图消除物体姿势、相机位置等影响，在更加统一的环境下进行分类；第三类注重物体部分的细节，因为现实中不同子类的区别也正是在一些独特的细节方面。

• part-based细粒度识别方法也有许多区别。例如有的方法在训练时既用到了bounding boxes又用到了part annotations。有的方法在测试阶段也使用了bounding boxes以确保准确率。有的方法不使用任何额外信息，只用图像级别的标签来训练（弱监督）。还有一些方法基于分割而非基于bounding box。

3.1 Learning Object and Part Masks

• 首先，整个M-CNN的设计基于全卷积网络（FCN），也就是说，前面的掩膜和特征提取只用到了卷积层。作者不仅用全卷积网络（FCN）定位细粒度图像中的目标和parts，还将预测的分割部分视为目标和parts的掩膜。

• 在数据集CUB200-2011中，每个鸟类细粒度图像都有许多part annotations，比如左腿、右腿、喉、喙、眼睛、肚子、前额等等，它们都以key points的形式标注（见图2的第一张）。本论文将这些key points分成头、躯干两大类，简单地连接这些点来生成头和躯干两个Mask，剩下的都是背景。学习Mask的网络结构如下所示：

• 以下是部分图像学习到的Mask。红色的称作head mask，蓝色的称作torse mask，这两个合并在一起就是一个完整的物体，称作object mask。学习这三个mask就是标题说的Learning Object and Part Masks（不得不说一下，当时我愣是没看懂这标题的意思）。需要注意的是，虽然基于key points生成的ground-truth不是特别准确，但是FCN模型能够返回更加准确的Mask。

3.2 M-CNN训练

• 经过了3.1的FCN，我们已经得到了head mask、torse mask和object mask三个Mask。接下来，前面提到的four-stream model就要派上用场了。

1. 根据上面三个Mask，返回对应的 mallest rectangle bounding box，再加上原图本身，这四张图像就是four-stream model的输入；

2. (a)->(b)->(c)：作者选用VGG-16作为基础模型，四个输入通过五个卷积层、relu层和池化层，最终得到512维的特征向量。如果输入尺寸统一为224*224，那么它们特征向量为7*7*512，其实它也对应着一张图像7*7方格的空间位置；

3. (c)->(d)：对于后三条线程，把Mask用最近邻方法缩放成7*7大小地二值矩阵，并和对应的7*7*512的特征向量比较：如果某一条512-d向量对应位置的Mask值为1（表示有检测到东西），则向量的值保留，如果对应的Mask值为0，则向量的值置零。而第一条线程，也需要通过object mask的过滤；

4. (d)->(e)：每条线程中，对于被Mask选中的那么多条512-d特征向量，用求平均和求最大值两种方法得到两条512-d特征向量，并经过l2l2正则化处理。最后把两个向量拼接起来成为一条1024-d的向量。

5. (e)->(f)：经过上一步，每条线程都有一个1024-d的向量了，将它们拼接起来，送进全连接层 + softmax，得到结果。由于CUB200-2011有200个类别，所以最终向量也是长200。

4 实验

4.1 数据集和封装细节

• Caltech-UCSD 2011 bird dataset有200种鸟类，其中每类都有30个训练图像，每张图像还有15个标注点，用来标记鸟类的身体部位。

• 四线程网络中每一条都有一个VGG-16模型，其参数通过在ImageNet分类上预训练得到。

• 作者还用水平翻转的方法使训练图像翻倍。在测试时将原图和对应的翻转图像的预测求平均，并输出得分最高的那个分类。

• 直接使用softmax的结果要比使用logistic回归差

4.2 分类准确度

4.2.1 Baseline

为了验证M-CNN的优越性，作者额外设计了两个Baseline方法：

1. 在4-stream M-CNN中，把卷积网络替换成全连接层。于是(b)到(e)变成一个最后为全连接层的CNN，输出4096-d的向量，拼接起来为16384-d的向量。此方法称作“4-stream FCs”。

2. 抛弃(d)部分的descriptor selection，把(c)的结果直接求平均和求最大值。此方法称作“4-stream Pooling”。

三种方法的结果：

4.2.2 与state-of-the-art对比

• M-CNN准确率的提升之路：

1. 一开始，输入的图像是224*224，M-CNN的准确率有83.1%；

2. 将输入图像变为448*448后，准确率提升到了85.3%；

3. 提高4-stream M-CNN的输入大小到448*448后，准确率反而有些下降；

4. 如果从relu5_2层来提取deep descriptors，并且用Mask过滤一遍，提取出4096-d向量，再和pool5提取出来的拼在一起，变成一个8096-d向量，后续操作相同。该模型称作“4-stream M-CNN+”，它的准确率提升到了85.4%；

5. 用SVD whitening方法将上述的8096-d向量压缩到4096-d，准确率提升到了85.5%；

6. 如果CNN部分采用和part-stacked CNN一样的 Alex-Net模型，准确率只有78.0%，但还是比part-stacked CNN高。关键是替换后的参数只有9.74M了。

为了与其他方法公平比较，所有方法在测试时都不使用part annotations。实验结果如下：

4.3 Part定位结果

• 为了评价定位效果，作者采用常用的PCP准则（Percentage of Correctly Localized Parts），该准则指的是与ground-truth相比，IOU大于50%的bounding box的比例；

• 下表是和其他方法相比的分割结果。作者的方法和Deep LAC相比躯干的准确率更低，主要是因为Deep LAC在测试时有用到Bounding box，而M-CNN没有。

4.4 object分割结果

下图是一个分割的结果。第一行是原图像，第二行是ground-truth，第三行是M-CNN的分割结果。M-CNN在分割鸟的细微部分（例如爪子）存在一些困难，但M-CNN的任务不是细致地分割出物体，因此可以不用做微调。

原文出处