Oct, 2015

无备件：共享零件探测器进行图像分类

PDF
TL;DR该研究旨在使用独特部分的表征方法对图像进行分类，通过对选定部分的回溯分析表明，除了类别部分以外，来自背景上下文和其他图像类别的部分也可以提高分类性能。为了实现部分在所有类别之间的共享和优化，提出了一种基于 AdaBoost 的算法来共同优化部分共享、选择以及与全局图像表征的融合。实验表明该方法具有与深度卷积神经网络相媲美的分类效果。
image categorizationdistinctive partspart sharingpart selectionadaboost algorithm
发现论文，激发创造
  • 图像分类部件自动发现与优化

    本论文介绍了一种可学习的基于特征组的图像分类方法，通过联合学习图像分类器和一组共享的部分来实现，避免了使用引擎启发式算法的过程，并引入了负部分的概念来补足其他方法只寻找正相关性的缺陷。

    Dec, 2014

  • 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

  • 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

  • 从整体和部分中识别行动与属性

    通过开发深度 Poselets 的部分检测器，我们设计了一种基于部分的方法，用于 Action 和属性分类的任务，并通过训练综合卷积神经网络，证明了添加身体部位对于两个任务都能带来最好的结果。

    Dec, 2014

  • 使用开放词汇部分分割技术实现更密集的结果

    本文提出了一个具有部分分割能力的检测器，可以通过多粒度对齐来预测开放词汇的物体和它们的部件分割，并通过密集语义对应将新物体解析为其部件。该方法在不同数据集上的实验表现优于基线方法，并且具有更好的数据通用性。

    May, 2023

  • 从图像集合中发现三维部件

    本文提出了一种自我监督的方法（LPD）来发现只有 2D 图像的物体的三维部件，并使用新的部件形状先验学习足够简单而又能忠实地匹配物体形状的部件，这种方法在实验中表现良好，比现有方法具有更好的重构精度。

    Jul, 2021

  • 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

  • 自适应部件的属性识别

    本文提出了一种端到端的深度学习方法，通过关键点生成对象部件并进行属性识别，采用多任务学习，实现对象部件和属性识别的联合优化，从而克服了以往基于部件的属性识别方法中存在的部件优化不足的问题，并在两个数据集上进行了广泛的实验验证了该方法的有效性。

    Jul, 2016

  • 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

  • 基于部件的模型提高对抗鲁棒性

    本文介绍结合人类先验知识和端到端学习以提高深度神经网络的鲁棒性，并引入了一种面向目标分类的基于部件的模型，相较于基准模型 ResNet-50，我们的基于部件的模型在三种数据集上实验表明都具有更高的准确性和更高的适应性。

    Sep, 2022