CVPRJul, 2015

生物多样性分析的细粒度识别数据集

PDF
TL;DR本文介绍了细粒度视觉分类在生物多样性和物种分析领域的挑战性应用，提出了适用于计算机视觉研究的两个具有 675 个高度相似类别的挑战性新数据集，并使用卷积神经网络（CNN）的局部特征呈现了首个结果。最后，我们提出了生物多样性研究中视觉分类领域的新挑战性研究方向清单。
fine-grained visual classificationbiodiversityspecies analysisdatasetsconvolutional neural networks
发现论文，激发创造
  • 深度学习下的细粒度图像分析：一份调查报告

    本篇文章对细粒度图像分析的最新研究进展进行了系统综述，包括深度学习的应用、细粒度图像识别和检索、公开基准数据集和相关领域的应用，最后提出了需要进一步探索的研究方向和开放问题。

    Nov, 2021

  • 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

  • 飞机的细粒度视觉分类

    本文介绍了一个新数据集 FGVC-Aircraft，其中包含 100 种机型的 10,000 张图像，可用于视觉识别的挑战，同时提供了相应的分类任务和评估协议。通过飞机爱好者的工作，实现了数据集的构建。与通常被认为的 FGVC 域相比，例如动物，飞机具有更少的形变，但是具有设计、大小、命名、结构、历史风格和品牌等有趣的变化模式。

    Jun, 2013

  • 深度学习用于细粒度图像分析：一份综述

    本研究对最近深度学习在细粒度图像分析技术上的发展进行了系统的调查和总结，主要涵盖了细粒度图像识别、细粒度图像检索和细粒度图像生成等三个主要类别及其相关应用和公共基准数据集。另外，还介绍了一些需要进一步探索的方向和开放性问题。

    Jul, 2019

  • 基于众包昆虫图像的细粒度分类的计算机视觉算法性能

    细粒度分类、物种识别、计算机视觉、深度卷积网络和视觉转换器是本论文的关键词。通过对 9 种算法进行详细评估，论文提供了对昆虫中的细粒度任务解决程度的全面理解，其中视觉转换器在推理速度和计算成本方面表现最佳，而局部性视觉转换器在性能和嵌入质量方面超过其他算法，而卷积神经网络则在指标上具有折中性。

    Apr, 2024

  • FGVC7 研讨会上的半监督 iNaturalist-Aves 挑战赛

    本文介绍了一个新的半监督识别数据集，该数据集包含来自 iNat-2018 数据集中抽样得到的 1000 种鸟类，总共近 15 万张图像。该数据集的存在挑战着现有文献中的半监督识别技术，因为它包含领域外数据、类不平衡和类之间的微妙相似性。

    Mar, 2021

  • 基于网络监督的细粒度识别：基准数据集和方法

    本文构建了两个新的基准网页监督的精细分类数据集 WebFG-496 和 WebiNat-5089，同时提出一种新的网页监督方法 Peer-learning，并在该数据集上进行了全面的实验。实验结果表明，该方法优于现有的基线模型和最先进的方法。

    Aug, 2021

  • 精细类别分类的子集特征学习

    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。

    May, 2015

  • 物种 196：一个百万级半监督数据集用于细粒度物种识别

    介绍了一个大规模的半监督数据集 Species196，包含 196 个入侵物种的专家级标注图像和大量无标签图像，并提供四种实验设置以评估现有模型和算法在入侵物种分类中的性能。

    Sep, 2023

  • R2-Trans: 细粒度视觉分类中的冗余减少

    本文提出了一种新颖的 Fine-grained visual categorization (FGVC) 方法，可以同时运用环境线索中局部但足够区分的信息和对目标类别下的冗余信息进行压缩，通过计算批次中高权重区域的比例和自适应阈值，实现了输入空间中背景信息的适度提取。此外，本文还使用信息瓶颈方法指导网络在特征空间中学习最小充分表示。实验结果表明，此方法在三个常用基准数据集上表现优于其他最先进的方法和基线模型。

    Apr, 2022