May, 2015

精细类别分类的子集特征学习

PDF
TL;DR本文提出了一种基于深度卷积神经网络的学习系统，该系统对视觉相似的类别进行聚类，并学习针对每个子集的特定深度卷积神经网络特征，在测试时不需要边界框。在流行的 Caltech-UCSD 鸟类数据集上，实验证明该方法优于最近的细粒度分类方法，无需边界框，在最困难的情况下达到了 77.5% 的平均准确率，而先前的最佳表现为 73.2%。本文还表明，渐进式迁移学习使我们能够先学习通用领域的特征，然后将其调整到特定的鸟类集合中，从而提高准确性。
发现论文，激发创造
  • 卷积低分辨率细粒度分类

    使用高分辨率图像分类和卷积超分辨率技术相结合的方法，提出了一种用于解决低分辨率图像细节问题的端到端的深度模型，并在 Stanford Cars 和 Caltech-UCSD Birds 200-2011 数据集上进行了广泛的实验，结果表明该模型在低分辨率图像中能更好地分类细分类别。

    Mar, 2017

  • 大规模细粒度分类和领域特定的迁移学习

    本研究提出了一种从大规模数据集到小规模、特定领域细粒度图像分类（Fine Grained Visual Categorization, FGVC）任务的迁移学习方法，并通过 Earth Mover's Distance 提出了一种衡量领域相似度的方法，实现了目标领域与数据源领域之间的知识迁移，得到了最先进的结果。

    Jun, 2018

  • Grafit: 利用粗标签学习细粒度图像表示

    通过最近邻分类器目标和自监督学习的实例损失，结合粗标签和潜在细粒度空间，学习细粒度表示来提高图像检索的精度，从而在 iNaturalist-2018 等五个公共基准上建立了新的最先进技术。

    Nov, 2020

  • 分段分类映射：利用少量示例学习新类别的细粒度学习器

    本文提出了一种端到端的可训练深度网络，旨在解决少样本下的细粒度图像识别问题。该网络包括双线性特征学习模块和分类器映射模块，前者将示例图像的区分信息编码为特征向量，后者映射中间特征到新类别的决策边界。我们在三个细粒度数据集上进行了实验，结果表明该方法优于竞争基线。

    May, 2018

  • 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

  • 通过 CNN Tree 学习大规模分类的细粒度特征

    本文提出了一种新颖的方法来增强卷积神经网络（CNN）的可辨别性，通过建立一个树状结构来逐步学习精细的特征，以区分一部分类别。我们开发了一种新算法，有效地从大量类别中学习树结构。实验表明，我们的方法可以提高给定基本 CNN 模型的性能，且具有一般性，因此可以潜在地与许多其他深度学习模型结合使用。

    Nov, 2015

  • 为细粒度特征表征嵌入标签结构

    本文提出了一种多任务学习框架，同时优化分类和相似性约束，将标签结构（如层次结构或共享属性）嵌入到框架中以建模多级相关性，从而实现精细的特征表示，并在细粒度数据集上得到了非常竞争的性能。

    Dec, 2015

  • 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

  • 一个用于细粒度视觉分类的新插件模块

    本文提出了一种新的插件模块，可集成到 CNN 或 Transformer 等常见的后背网络中，输出像素级特征图并融合过滤后的特征以增强细粒度视觉分类，实验结果表明所提出的插件模块优于现有方法，可显着提高准确性。

    Feb, 2022

  • 细粒度视觉分类的跨学习

    本文提出 Cross-X 学习，一种简单而有效的方法，利用不同图像之间和不同网络层之间的关系进行多尺度特征学习，包括一个跨类别跨语义的正则化器和一个跨层正则化器，该方法通过实验分析表明其鲁棒性、有效性和最新的性能在五个基准数据集上。

    Sep, 2019