Mar, 2016

用于细粒度识别的全卷积注意力网络

PDF
TL;DR本文提出了一种基于全卷积注意力网络（FCANs）的强化学习框架，用于优化细粒度识别中的局部区域，并避免耗费昂贵的部件注释和定义困难的细粒度类别，该方法在包括 CUB-200-2011、斯坦福狗、斯坦福汽车和 Food-101 等四个基准数据集上得到了证明。
fine-grained recognitionlocal discriminative regionsfully convolutional attention networksreinforcement learningbenchmark datasets
发现论文，激发创造
  • 细粒度姿态预测、归一化和识别

    本文提出了一种全卷积网络的方法，通过部位定位和关键点标注来实现表观的转化，以有效解决姿态变化和外观上的微妙差异在微细分类中的挑战。在 CUB200 测试集中表现出最新的性能，为强监督发挥了重要作用。

    Nov, 2015

  • 深度卷积神经网络中使用两级注意力模型进行细粒度图像分类的应用

    本文提出了一种使用深度神经网络应用视觉注意力于细粒度分类任务的新管道，通过整合三种类型的注意力，训练领域特定的深度网络，在弱监督约束下避免使用昂贵的注释，并在 ILSVRC2012 数据集和 CUB200_2011 数据集的子集上验证了该方法的有效性，取得了与其他方法相竞争的表现。

    Nov, 2014

  • 全卷积适应网络用于语义分割

    本文提出了一种全卷积自适应网络（FCAN）用于语义分割，该网络综合了外观适应网络（AAN）和表示适应网络（RAN），通过对领域适应的视觉外观级别和表示级别进行改进，实现了从合成图像到真实世界图像的领域适应。论文进行了广泛的实验，在 GTA5 到 Cityscapes 和 BDDS 领域不需要监督地自适应，实现了优于现有技术的结果，并在 BDDS 上获得了新的记录 —— 无监督的 mIoU 为 47.5％。

    Apr, 2018

  • 弱监督注意力金字塔卷积神经网络用于细粒度视觉分类

    该论文提出了 Attention Pyramid Convolutional Neural Network (AP-CNN) 模型，通过集成低级信息以及 ROI 引导精细调整等策略来提高对物体细分类别的识别准确率。在三个 Fine-grained visual classification 数据集上实验结果表明，该模型能够实现最先进的性能。

    Feb, 2020

  • 精细目标分类的多元化视觉注意力网络

    本文提出了一种多样化的视觉注意力网络（DVAN），该网络可以在细粒度分类任务中学习从粗到细的对象特征，通过显式关注多样性，以及使用多个引导注意力应对强监督信息受限的问题，有效提升细粒度分类的表现。

    Jun, 2016

  • 细粒度分类中的注意力

    本文在 Ba 等人（2014）的循环神经模型的基础上进行实验，研究了在不受约束的视觉环境下细粒度分类的任务，通过使用较强的视觉网络替代传统的 RNN 结构，并在视觉网络的大规模预训练的情况下训练该模型，成功实现比谷歌网络分类模型更好的效果，并表明该模型能够无需边界框等空间监督，自主学习并区分各类狗的品种，具备对端对端的训练等优势。

    Dec, 2014

  • 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

  • 关注激活：用于细粒度图像识别的模块化注意机制

    本文提出利用注意力机制在卷积特征激活层面上进行细粒度图像识别，相对于传统方法，在不需要部分标注的情况下使用低层次特征进行输出概率分配，并在 CIFAR-10、Adience gender recognition task、Stanford Dogs 和 UEC-Food100 等数据集上取得了最先进的分类精度。

    Jul, 2019

  • 细粒度图像搜索的对抗学习

    本论文提出了一种名为 FGGAN 的端到端网络，通过从多视角图像中隐式学习几何变换的方式来学习判别性表征，进而解决精细图像检索中由于姿态变化造成的难点；该网络使用生成式对抗网络（GAN）自动处理复杂视角和姿态的差异，并在开放集情况下能够更好地匹配来自未见过和未知的细粒度类别的图像，与基线相比实现了 10% 的相对改进。

    Jul, 2018

  • 多关注多分类约束用于细粒度图像识别

    本文提出了一种基于注意力机制的卷积神经网络方法，使用一握多激励模块学习每个输入图像的多个注意区域特征，并在度量学习框架中应用多注意力多类约束，通过推拉相同 / 不同注意力类别的特征以实现多个目标区域的协调，并引入 Dogs-in-the-Wild 数据集以促进细粒度图像识别研究。

    Jun, 2018