ECCVJul, 2014

基于零件的 R-CNN 用于细粒度分类检测

PDF
TL;DR该论文提出了一种基于语义部分定位的细粒度分类方法，并通过利用深度卷积特征来克服对象检测困难，同时学习整个对象和零散对象部分的检测器和他们之间的几何约束，从而预测一个细粒度的类别。该方法在不需要在测试时提供包围盒的情况下，通过对 Caltech-UCSD Bird 数据集的实验证明其优于现有细粒度分类方法。
semantic part localizationfine-grained categorizationdeep convolutional featuresobject detectiongeometric constraints
发现论文，激发创造
  • 使用弱监督部件检测网络进行部件感知的细粒度对象分类

    该研究提出了一种弱监督的部件检测网络（PartNet），能够检测出细粒度分类所使用的具有辨别力的局部部分，在 CUB-200-2011 和 Oxford Flower 102 数据集上实现了最新的最高性能。

    Jun, 2018

  • 细粒度姿态预测、归一化和识别

    本文提出了一种全卷积网络的方法，通过部位定位和关键点标注来实现表观的转化，以有效解决姿态变化和外观上的微妙差异在微细分类中的挑战。在 CUB200 测试集中表现出最新的性能，为强监督发挥了重要作用。

    Nov, 2015

  • 弱监督细粒度图像分类

    该论文致力于通过使用多尺度部分提议来选择有用的部分，并使用它们计算全局图像表示以进行无注释的细粒度图像分类，同时探索了其关键部分的检测和可视化。实验表明该方法在两个具有挑战性的数据集上比同类方法更加准确。

    Apr, 2015

  • Mask-CNN：用于细粒度图像识别的局部化部件和特征选择

    本文提出了一种新颖的端到端 Mask-CNN 模型，旨在解决细粒度图像识别中的挑战，这个模型基于细粒度图像的部件注释，通过卷积网络定位亚区别的部件并生成对象 / 部件掩模，实现对有用和有意义的卷积描述符的选择并聚合在一起，此模型相对于现有最先进的细粒度方法具有参数最少、特征维度最低和最高的识别准确性。

    May, 2016

  • 深度卷积神经网络中的零件检测器发现

    本文提出了一种基于预训练卷积神经网络的物体部位发现和定位方法 PDD，通过分析网络输出的梯度映射并找到与语义部分或边界框有空间关系的激活中心，实现对 CUB200-2011 数据集进行优秀的监测和分类性能，同时不需要在测试期间给定边界框或计算真假部分。

    Nov, 2014

  • 用 Part-Stacked CNN 进行细粒度视觉分类

    本文提出了一种基于部位的 CNN 模型，在手动标注的强部位注释的基础上，通过模拟物体部件之间微小的差异来显式解释精细分类过程，同时由计算多个物体部分之间的共享策略，提高了效率，并获得了良好的准确度和模型可解释性的实验结果。

    Dec, 2015

  • 通过自监督姿态对齐进行细粒度物体分类

    提出了一种基于图形的对象表示来消除姿态变化，实现自我监督的姿态对齐，同时还结合粗到细的监督和浅到深的子网络的提议的姿态不敏感限制，以逐步学习的方式鼓励网络产生区分性特征，已成功应用于三项流行的细粒度物体分类基准中，达到了最先进水平。

    Mar, 2022

  • DeePM: 一种用于目标检测和语义部件定位的深度基于部件模型

    本文提出了一种深度基于部件的模型（DeePM），旨在实现符号对象检测和语义部位定位，通过 PASCAL VOC 2012 数据集上的 20 种物体类别的语义部分注释来完成。DeePM 是基于最先进的 R-CNN 框架的潜在图形模型，通过灵活的类型共享学习对象 - 部分配置的显式表示。我们评估了所提出的方法在 PASCAL VOC 2012 上的对象和部分检测性能，并表明 DeePM 在检测对象和部件方面始终优于 OP R-CNN，并且在对象检测方面获得了比 Fast 和 Faster R-CNN 更好的性能。

    Nov, 2015

  • 基于多提案一致性的细粒度分类部分定位

    本文提出了一种简单的深度学习框架，可以同时预测关键点的位置和可见性，并利用这些来实现细粒度分类的最新性能。作者表明，通过将预测条件设置为具有足够图像支持的物体提议，我们的方法可以在不需要复杂的空间推理的情况下良好地完成。我们的关键点定位和可见性预测与现有的先进方法相比，在有或没有鸟类边界框的情况下均表现出色，超过 2％。

    Jul, 2015

  • 用于细粒度识别的全卷积注意力网络

    本文提出了一种基于全卷积注意力网络（FCANs）的强化学习框架，用于优化细粒度识别中的局部区域，并避免耗费昂贵的部件注释和定义困难的细粒度类别，该方法在包括 CUB-200-2011、斯坦福狗、斯坦福汽车和 Food-101 等四个基准数据集上得到了证明。

    Mar, 2016