Nov, 2015

通过 CNN Tree 学习大规模分类的细粒度特征

PDF
TL;DR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。
发现论文，激发创造
  • Tree-CNN: 一种层次化的深度卷积神经网络用于增量学习

    本研究提出一种自适应分层网络结构，由 DCNN 组成，可以随着新数据的出现而不断增长和学习。该模型通过组织渐增的可用数据成特征驱动的超类，实现了分类能力的自我增长，并在 CIFAR-10 和 CIFAR-100 数据集上实现了较优的准确率，从而显著减少了训练时间。

    Feb, 2018

  • 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

  • 利用决策树解释卷积神经网络

    本文介绍了一种利用决策树定量解释预训练卷积神经网络的预测理由的方法，通过分解 CNN 高卷积层的特征表示为对象部件的基本概念的方式，使决策树告诉人们哪些对象部分激活了哪些滤波器以及它们对预测得分的贡献有多大。

    Feb, 2018

  • 大规模图像分类专家网络

    本文提出了一种基于树状结构的神经网络架构，用于大规模图像分类，并将其成功应用在四种流行卷积神经网络上，最终在 CIFAR100 数据集上达到了迄今为止最好的分类准确度，且在训练时间和参数数量上增加并不多。

    Apr, 2016

  • 卷积神经网络通过决策树对特征图进行知识蒸馏

    通过提取卷积神经网络的最终层中的特征并使用决策树进行训练，我们提出了一种蒸馏方法来解释深度神经网络的推理，展示了决策树在解释卷积神经网络决策时的表现与最小复杂度的卷积神经网络相当好。

    Mar, 2024

  • 基于 DAG-CNN 的多尺度识别

    使用 DAG-CNN 的多尺度卷积神经网络探索了多尺度特征提取，并在三个场景基准测试中展现了最新的最佳分类性能。

    May, 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

  • 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

  • 学习深层特征进行单类分类

    该研究提出了一种基于深度学习的解决方案，用于解决单类分类中的特征学习问题，通过两个损失函数和并行 CNN 架构生成描述性特征，并在模板匹配框架下进行了广泛的实验。结果表明，该方法在异常检测、新颖性检测和移动设备上的活动认证数据集上都有显著进展。

    Jan, 2018

  • CNN 特征在无监督分类方面表现出色

    本文旨在探讨深度卷积神经网络特征对无监督问题的可迁移性，并研究不同的预训练卷积神经网络特征提取器对于图像集群聚类和细粒度分类问题的影响，提出结合预训练的 ImageNet 中的深度特征提取和经典的聚类算法管道的分类方法，在图像聚类方面优于现有算法。作者同时在机器人应用中验证了该方法，成功实现了一种智能物体分类和存储的方案。

    Jul, 2017