ICCVApr, 2015

神经元激活星座：卷积网络非监督式零件模型发现

PDF
TL;DR本研究提出了一种基于卷积神经网络的完全无监督学习方法，通过寻找神经激活模式的星座，能够在没有模型注释和边界框注释的情况下，实现对物体部位模型的学习，并在细粒度识别和狗物体数据集上实现了最新成果，同时将通用和细粒度分类领域统一。
发现论文，激发创造
  • 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

  • 特征对齐下的无监督部件发现

    本文提出利用无监督学习的方法发现物体的不同部位，通过神经网络构建特征并实现物体识别和部位检测。

    Dec, 2020

  • 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

  • 基于人口编码的卷积神经网络内部状态无监督学习对象语义部分

    本研究通过对 CNNs 的内部状态进行聚类，提出了一种无监督学习方法来发现物体的语义部件表达，即 Visual Concepts，并证明了其在物体部件检测和语义标注方面的有效性。

    Nov, 2015

  • 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

  • 自底向上的细粒度图像分类中的弱监督互补部件模型

    文章介绍了使用弱监督的方法，构建辅助部分模型，检测出深度卷积神经网络忽略的其它目标部分，使用双向 LSTM 将这些互补信息编码为图像综合特征用于图像分类，并在 Stanford Dogs 120、Caltech-UCSD Birds 2011-200、Caltech 256 数据集上实现了显著提升。

    Mar, 2019

  • PARTICLE: 粒子：细粒度识别的部分发现和对比学习

    我们基于自监督学习开发了细粒度分类和分割任务的表示优化技术，通过识别部分特异变化改进了 fine-grained 分类，在卷积和视觉变换网络中聚类像素表示，利用部分中心化学习和对比在图像中对部分进行聚类，并在多个数据集上展示了在图像分类和部分分割任务上的性能提升。

    Sep, 2023

  • 关注激活：用于细粒度图像识别的模块化注意机制

    本文提出利用注意力机制在卷积特征激活层面上进行细粒度图像识别，相对于传统方法，在不需要部分标注的情况下使用低层次特征进行输出概率分配，并在 CIFAR-10、Adience gender recognition task、Stanford Dogs 和 UEC-Food100 等数据集上取得了最先进的分类精度。

    Jul, 2019

  • 无监督视觉表示学习：基于上下文预测

    该研究探讨了利用空间上下文作为丰富的视觉表征的监督信号的方法。通过从每个图像中提取随机配对的路径来训练卷积神经网络，用于预测第二个路径相对于第一个路径的位置，从而实现对目标的识别，并证明该方法在性能上优于其他算法。

    May, 2015

  • 卷积神经网络中是否出现了语义部分？

    本文研究了使用卷积神经网络实现视觉对象识别任务时，CNN 是否学习了语义部分的内部表示，结果发现对于对象识别最有辨别力的卷积滤波器对应着某些语义部分。

    Jul, 2016