Week 02: Fine-Grained Crowdsourcing for Fine-Grained Recognition

題目：Fine-Grained Crowdsourcing for Fine-Grained Recognition

作者：Jia Deng, Jonathan Krause, Li Fei-Fei Computer Science Department, Stanford University

文章概要：

          本篇文章利用細粒度的識別（Fine-grained recognition），改善識別鳥類之間不同

屬別鳥的的效果和正確率，如圖1所示。文章主要通過一個叫bubbles game的遊戲獲得關鍵性的feature，進而利用BubbleBank算法，使用標註的“bubble”，改善鳥類識別的正確率。

  

圖1 Fine-grained recognition問題

創新之處： 

        文章提出了一種新的crowdsourcing的方法來幫助電腦尋找到關鍵具有判別性的feature。與以前自動尋找feature方法不同的是，本文利用叫bubbles game的遊戲，如圖1所示，目標是正確區分中間圖片所屬的類別是在左邊還是右邊。初始圖片是全部模糊的，用戶可以點擊某點將顯示綠色圓圈，從而通過此判斷中間圖片所屬的鳥類，點擊次數越少分數越高，從側面說明目前選中feature的重要性和可區分性。

         本遊戲是設置在AMT（Amazon Mechanical Turk）上進行資料的收集，由於是商業標註，所以提高了標註的爭正確率和可用性。 

圖2 Bubbles Game的設計和界面

主要算法：BubbleBank

          該算法的主要思想是：利用SIFT（Scale-invariant feature transform ）和Color Histogram去detect每個識別的bubble，從而得到每張圖片，每種屬性的鳥的pattern，利用max-pooled 的方法作為classifier，從而對鳥類進行分類。核心有：

（1）detectors的高質量；（2）基於此高質量，可以得到較低緯度的feature或者叫descriptor來代表不同的圖片進行訓練；（3）假設每一個bubble dector在空間中都有對應的關係，即物體都是擺正在相同設置下進行的實驗。

實驗結果：

           在鳥類資料庫上（CUB-14），得到了很高的正確率，如Table 1所示。

                           

心得： 

           本文主要有一些心得：它利用遊戲的方式得到feature方法很新穎，並且保證了feature的高質量，進而在算法涉及的基礎上得到了較高的準確率。是一篇值得借鑑的好文章。