Apr, 2015

双线性卷积神经网络用于细粒度视觉识别

PDF
TL;DR该论文提出了一种称为 Bilinear 卷积神经网络（B-CNNs）的神经网络模型，通过使用两个卷积神经网络所提取的特征的外积计算来表示图像，并以平移不变的方式捕捉局部特征交互，并在多项图像分类数据集上展示了其在识别精度和速度等方面的优越性。
bilinear convolutional neural networksfine-grained visual recognitionorderless texture representationsimage classificationneural network
发现论文，激发创造
  • 双线性卷积神经网络实现一对多人脸识别

    研究通过利用卷积神经网络的新架构 —— 双线性 CNN (B-CNN)，在 IARPA Janus 基准测试集上进行面部识别，实现了额外的性能提升，并将标准 CNN 与 VGG-Face 模型进行比较。

    Jun, 2015

  • 多区域双线性卷积神经网络用于人员再识别

    提出了一种新的人员再识别架构，基于双线性卷积神经网络，通过在预定义区域中进行双线性汇总，以更局部的方式提供空间信息，比 Bilinear-CNN 和现有技术在三个基准数据集上表现更优秀。

    Dec, 2015

  • 层次双线性池化用于细粒度视觉识别

    本文提出了一种新颖的模型，使用交叉层双线性池化和分层双线性池化框架来帮助解决细粒度视觉识别的问题，同时在细粒度识别数据集上达到了最先进水平。

    Jul, 2018

  • 紧凑双线性池化

    本研究提出两种紧凑的双线性表示方法，与完整的双线性表示具有相同的判别能力，但仅具有几千个维度。这些紧凑的表示通过对双线性池化的核分析导出，为其他紧凑池化方法的研究提供了平台。实验证明，提出的表示方法对于多个数据集的图像分类和少样本学习都具有实用价值。

    Nov, 2015

  • 基于分解二次模型的图像识别

    本文提出基于因式分解的二次双线性层来建模 CNN 中的的成对特征交互，通过将非线性结构的复杂性纳入 CNN 中，使我们的 FB 层只需线性增加参数并具有可负担的计算成本，并采用 DropFactor 这种特殊的方法来进一步降低 FB 层的过度拟合风险，在多个数据集上证明了该模型的有效性，其中包括 CIFAR-10，CIFAR-100 和 ImageNet，较其他各种最先进的深度模型表现出更优越的结果。

    Nov, 2016

  • 使用深度双线性卷积神经网络进行盲图像质量评估

    本篇研究提出了一种用于盲目图像质量评估的深层双线性模型，它适用于合成和真实失真，包括使用卷积神经网络进行预处理和特征提取的方法，并在目标评分数据库上进行深度微调，最终在大规模数据效果表现优越。

    Jul, 2019

  • 基于矩阵相似度的联合损失函数的双线性卷积神经网络用于皮肤疾病分类

    通过使用受限三元组网络的双线性卷积神经网络模型，对皮肤疾病进行分类，实现了 93.72% 的平均准确率。

    Jun, 2024

  • 学习深度双线性变换以获取细粒度图像表示

    本文提出了一种深度双线性变换（DBT）块，可以在卷积神经网络中深度堆叠，以学习细粒度图像表示，其利用双线性变换在每个语义组内计算成对交互的方式，显著减轻了计算成本，能够在 CUB-Bird、Stanford-Car 和 FGVC-Aircraft 等多个细粒度图像识别基准测试中取得新的最佳表现。

    Nov, 2019

  • 细粒度分类的低秩双线性池化

    通过将局部特征的二阶统计合并为高维双线性特征，使用低秩双线性分类器对协方差特征进行表示，同时提出分类器共分解方法进一步压缩模型，实现细粒度分类任务中公共因子和分类特定项的紧凑表示，可以在保持和超越已有方法精度的情况下获得数量级更小的模型。

    Nov, 2016

  • 基于时间信息的 DCNN 细粒度物体分类

    本文提出了基于视频的细粒度物体分类的新颖任务，并介绍了相应的新视频数据集。我们对几种最近基于深度卷积神经网络的方法进行了系统研究，并将它们专门适应任务

    Aug, 2016