iNaturalist Fine-Grained Geolocation

细粒度识别区分具有细微视觉差异的类别。为了区分这些具有挑战性的视觉类别，利用其他信息是有帮助的。地理定位是丰富的附加信息来源，可用于提高细粒度分类准确性，但尚未得到充分研究。我们对这一领域的贡献是双重的。首先，据我们所知，这是第一篇论文，该论文系统地研究了通过使用地理位置先验，后处理或特征调制将地理位置信息整合到细粒度图像分类中的各种方法。其次，为了克服没有细粒度数据集具有完整地理位置信息的情况，我们通过向现有的流行数据集iNaturalist和YFCC100M提供补充信息，发布了两个具有地理位置的细粒度数据集。通过利用地理位置信息，我们将iNaturalist的top-1准确性从70.1% 提高到79.0%，以实现强大的仅基线图像模型。比较几种模型，我们发现最佳性能是通过后处理模型实现的，该模型消耗了仅图像基线的输出以及地理位置。但是，对于资源受限的模型 (MobileNetV2)，使用在像素和地理位置上联合训练的特征调制模型，性能更好: 精度从59.6% 提高到72.2%。我们的工作为将地理位置信息纳入服务器和设备上的细粒度识别模型提供了有力的依据。

搜集汇总

背景与挑战

背景概述

该数据集通过为iNaturalist和YFCC100M提供地理定位信息，支持细粒度图像分类研究。研究表明，整合地理定位能有效提升模型性能，例如将iNaturalist的top-1准确率从70.1%提高至79.0%。