Apr, 2015

弱监督细粒度图像分类

PDF
TL;DR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。
fine-grained image categorizationobject/part annotation-freemulti-scale part proposalsglobal image representationkey part visualization
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

  • 基于零件的 R-CNN 用于细粒度分类检测

    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。

    Jul, 2014

  • 大规模物体检测 —— 无需细粒度边界框检测 11K 类

    本研究提出了一种半监督方法，只需要较少数量的粗粒度类别的边界框注释和大规模细粒度类别的图像级标签，即可实现接近完全监督检测的所有类别的检测精度，包括了使用共享骨干，基于软注意力的候选建议重排和双级存储器模块的相关性。实验证明，这种方法在 ImageNet 和 OpenImages 这两个大规模数据集上，只有少部分类别进行完全注释就能够接近最先进的全监督方法。

    Aug, 2019

  • 基于图像级标签的粗到细语义分割

    该研究提出了一种基于图像类别标签的新型递归粗到细语义分割框架，可用于图像分割和前景分割等任务，并且只需要一个标签来处理包含多类别对象的图像。

    Dec, 2018

  • 噪声数据对精细识别的非合理有效性

    利用简单通用的识别方法和网络上的免费嘈杂数据，成功规模扩展到 10,000 多个类别，不需要手动收集标签，取得超过现有各领域最佳记录的 92.3%、85.4%、93.4% 和 80.8% 的 top-1 准确率

    Nov, 2015

  • 用于细粒度图像分类的物体 - 部件注意力模型

    本文提出了一种弱监督下细粒度图像分类的目标 - 部件注意力模型 (OPAM)，该模型通过多视角和多尺度特征的学习来增强目标 - 部件关系的相互促进，并利用目标部件空间约束模型以区分子类别，同时避免了繁重的标注任务。与 10 多种先进方法的实验结果表明，OPAM 取得了最好的性能。

    Apr, 2017

  • 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

  • 可学习的语义数据增强的细粒度识别

    通过特征级别的数据增强和协方差预测网络，我们提出了一种改善细粒度图像识别的方法，可以有效区分细分类别，提高泛化性能。

    Sep, 2023

  • 基于子类探索的弱监督语义分割

    本研究提出了一种基于子类信息的自我监督任务方法，通过聚类生成伪子类别标签，从而优化初始响应图，提高弱监督语义分割方法的性能。

    Aug, 2020

  • 迈向基于开放世界的零件分割

    本文提出了一种利用无类别部件分割来减少标注难度并能适用于未知目标的部件分割方法，并通过对象感知性和自监督学习的方式对此进行了改进。

    May, 2023