CVPRDec, 2015

使用人类在环中进行深度度量学习的细粒度分类和数据集引导

PDF
TL;DR本研究提出了一个基于深度度量学习的迭代框架，针对细粒度视觉分类方法中的数据不足、大量类别和高内部变异性等问题进行了处理，并在 Instagram 图片中引导 620 个类别的细粒度花数据集，同时在 CUB-200-2001 Birds 数据集上进行了实验，证明了该方法的有效性和识别性能的显著提高。
发现论文，激发创造
  • 多阶段度量学习实现细粒度视觉分类

    本研究提出了一种多阶段度量学习框架，针对细粒度视觉分类中高维特征向量的学习问题，通过距离度量学习解决了相互关联且难以区分的子类别和大量内部类差异等问题，并在 FGVC 基准数据集上取得了显著的性能提升。

    Feb, 2014

  • 基于深度度量学习的可扩展细粒度图像分类系统

    本文提出了一个基于深度度量学习的可扩展多类分类框架，旨在更精细地分类生成的图像，并通过微调以在新类型的生成数据上获得更好的检测性能。

    Dec, 2019

  • 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

  • LSUN: 使用深度学习和人类参与构建大规模图像数据集

    通过部分自动化标记方案，我们扩大人类工作量，借助深度学习来提高图像分类的准确性，并构建一个新的图像数据集 LSUN，这对于进一步的视觉识别研究具有重要作用。

    Jun, 2015

  • 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

  • 对比自举用于标签细化

    本文基于对粗粒度分类注释的 fine-grained 分类与粗细映射的方法，提出了一种基于轻量级对比聚类的自举方法，用于迭代地精炼 passage 标签，并在 NYT 和 20News 数据集上得到了较大幅度的性能提升。

    Jun, 2023

  • 噪声数据对精细识别的非合理有效性

    利用简单通用的识别方法和网络上的免费嘈杂数据，成功规模扩展到 10,000 多个类别，不需要手动收集标签，取得超过现有各领域最佳记录的 92.3%、85.4%、93.4% 和 80.8% 的 top-1 准确率

    Nov, 2015

  • 引导式深层度量学习

    本文提出了一种新的由两个独立模型构成的度量学习结构 Guided Deep Metric Learning，通过使用 Few-Shot Learning 的角度来生成一个基于带标签数据的先验知识的减少的假设空间，之后通过离线的知识蒸馏方案来指导或规则化学生模型的决策边界，提高在分布偏移下的一般化，并获得了高达 40% 的 (Recall@1, CIFAR10) 改进。

    Jun, 2022

  • 基于图采样的深度度量学习用于可泛化的行人再识别

    本文提出了一种高效的迷你批次采样方法 (graph sampling)，通过构建类的最近邻关系图，在数据采样阶段使用 hard example mining，从而提供信息丰富且具有挑战性的样本进行学习，与竞争基线相比，能够在人员再认证方面显著提高 26.5％，同时大幅缩短训练时间。

    Apr, 2021

  • 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