Fine-Grained Visual Categorization using Meta-Learning Optimization with Sample Selection of Auxiliary Data メタ学習最適化と補助データのサンプル選択を用いた細かい視覚分類

微細視覚分類（Fine-grained visual categorization: FGVC）は、十分な数の訓練サンプルを獲得することがしばしば困難であるため、挑戦的な課題となっています。大規模モデルをFGVCに適用しつつ過学習を避けるために、既存の手法では通常、豊富な補助データを使用して事前学習を行い、その後ターゲットのFGVCタスクで微調整を行う戦略を採用しています。しかし、事前学習の目的はターゲットタスクを考慮していないため、その結果得られたモデルは微調整のために最適ではない場合があります。本論文では、この問題に対処するため、新しい深層FGVCモデルであるMetaFGNetを提案します。MetaFGNetの学習は、ネットワークパラメータがターゲットFGVCタスクへの適応に最適となるように誘導することを目指した新しい正則化メタ学習目的関数に基づいて行われます。また、MetaFGNetに基づいて、補助データからより有用なサンプルを選択する単純かつ効果的なスキームも提案します。ベンチマークFGVCデータセットでの実験結果は、我々が提案した方法の有効性を示しています。