CVPRApr, 2015

深度雕刻：通过雕刻深度神经网络发现视觉属性

PDF
TL;DR本文提出了一种针对弱监督学习场景下的视觉属性发现方法，并介绍了一种用于多属性预测的卷积神经网络训练过程 Deep-Carving，实验结果表明该方法在视觉属性预测精度上有较大提升。
visual attributesweakly supervised learningconvolutional neural networksdeep-carvingattribute prediction
发现论文，激发创造
  • 深度相对属性

    该论文提出了一种基于深度神经网络的相对属性预测方法，其中采用卷积神经网络 (ConvNet) 学习特征，包含排名层 (rank layer) 学习根据这些特征对图像进行排序，并采用适当的排名损失进行训练，优于基线和最先进的方法，适用于不同类型的数据集。

    Dec, 2015

  • 多任务 CNN 模型用于属性预测

    本研究提出了一种联合多任务学习算法，利用深度卷积神经网络（CNN）更准确地预测图像属性。研究考虑通过多任务 CNN 模型学习二进制语义属性，每个 CNN 将预测一个二进制属性。多任务学习允许 CNN 模型在不同属性类别之间共享视觉知识，进而进一步应用于属性预测之中。

    Jan, 2016

  • 基于深度属性的多摄像头行人重新识别

    为了解决人员重识别中因姿势变化、视角变化、摄像头参数不同等导致的人的视觉外观难以匹配的问题，提出了一个半监督属性学习框架，该框架由三个阶段组成，并使用深度卷积神经网络来预测不同数据集上的深层特征。使用简单的余弦距离作为度量，取得了出乎意料的好效果，在度量学习模块的帮助下，显著优于许多最近的工作。

    May, 2016

  • 深度属性网络

    本文提出了称为深层属性网络（DAN）的模型，可以输出图像的属性而不进行分类，在无约束的人脸验证和现实世界中的物体识别任务中使用 LFW 和 a-PASCAL 数据集对提出的模型的功效进行了评估，展示了基于属性的分类用于深度学习，通过展示与现有最先进结果相当的结果来演示了其潜力，一旦训练得当，DAN 快速且不需要计算可能不可靠和计算代价昂贵的低级特征。

    Nov, 2012

  • 用于属性改进的属性：属性分类的多任务网络

    通过使用多任务深度卷积神经网络 (MCNN)，共享所有属性的最低层，共享相关属性的更高层，并在 MCNN 上构建辅助网络以利用所有属性的分数来提高每个属性的最终分类，我们可以利用属性关系来提高属性分类器的准确性。我们在两个具有挑战性的公开数据集上展示了我们方法的有效性。

    Apr, 2016

  • 使用现成 CNN 特征进行人脸属性预测

    本论文尝试通过利用深度学习的卷积神经网络 (CNN) 的特征表示技术，并结合传统的人脸定位技术来构建人脸描述子，并使用它进行人脸属性预测，实验结果表明，该方法与目前最先进的方法完全可以匹敌，同时也提出了一个重要的问题：如何利用 CNN 特征表示技术解决一些新颖的问题。

    Feb, 2016

  • 走向自动图像编辑：学习看到另一个自己

    本研究基于深度卷积神经网络，针对图像生成中的属性变换问题，在两个面部数据集上进行了有量有质的实验，并取得了较为有前途的结果。

    Nov, 2015

  • 基于神经激活的自动属性发现

    该研究论文提出了一种无需具体的监督数据集，从网络上嘈杂的图像文本数据中发现和分析视觉属性的自动化方法，其基于属性和深度神经网络中的神经激活之间的关系，该方法对于发现和学习分类器，以及利用高度激活的神经元找到语义相关地区是有用的。

    Jul, 2016

  • 一种由面部属性预测增强的深度人脸识别网络

    该研究提出了一种新的深度学习框架，预测面部属性并将其作为软模态来提高面部识别性能，并且在预测属性和面部特征中融合以改进面部识别性能。实验结果表明，该模型在面部识别和属性预测性能方面都有很好的表现，特别是在身份面部属性预测方面。

    Apr, 2018

  • 深度 CNN 学习摄影美学

    提出了一种基于深度卷积神经网络的多任务自动照片美学评估方法，在预测总体美学评分的同时联合学习了八个美学属性，并通过梯度反向传播可视化方法，展示了学习到的模型所代表的属性的重要图像区域。

    Jul, 2017