用 Part-Stacked CNN 进行细粒度视觉分类
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
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
文章介绍了使用弱监督的方法,构建辅助部分模型,检测出深度卷积神经网络忽略的其它目标部分,使用双向 LSTM 将这些互补信息编码为图像综合特征用于图像分类,并在 Stanford Dogs 120、Caltech-UCSD Birds 2011-200、Caltech 256 数据集上实现了显著提升。
Mar, 2019
本研究探讨了物体分割的任务,通过使用语义分割系统和限制玻尔兹曼机的有益信息,结合 Dense CRF 标签,采用判别式方法提高了语义部分分割的性能,并在 PASCAL 数据集上展示了优越的性能。
May, 2015
该研究提出了一种从预先训练的卷积神经网络中提取对象 - 部分概念的学习策略,通过挖掘预先训练的 CNN 中的潜在模式,并将它们与不同的语义部分关联来逐步在 CNN 上构建一个具有语义解释性的图形模型,以实现层次化的对象理解。
Nov, 2016
该论文致力于通过使用多尺度部分提议来选择有用的部分,并使用它们计算全局图像表示以进行无注释的细粒度图像分类,同时探索了其关键部分的检测和可视化。实验表明该方法在两个具有挑战性的数据集上比同类方法更加准确。
Apr, 2015
本研究通过对 CNNs 的内部状态进行聚类,提出了一种无监督学习方法来发现物体的语义部件表达,即 Visual Concepts,并证明了其在物体部件检测和语义标注方面的有效性。
Nov, 2015
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
本研究提出了基于级联卷积神经网络的两种体系结构,旨在解决在没有昂贵人工注释下进行的弱监督下的目标检测问题,第一阶段从全卷积神经网络中提取类特定区域提议的最佳候选项,在三阶段体系结构中,中间阶段通过第一阶段的激活映射来提供物体分割。这些体系结构在弱监督目标检测,分类和定位领域的实验中表现出了改进。
Nov, 2016
本研究提供了一种可解释的深度模型,通过在深层神经网络中将基于区域的部件发现和归因结合起来实现细粒度视觉识别,并通过图像级对象标签进行训练,可以有效地识别图像中的对象部件,提高细粒度识别和对象部件定位的准确性。
May, 2020