Apr, 2016

细粒度图像检索的选择性卷积描述符聚合

PDF
TL;DR本研究采用深层卷积神经网络处理复杂的图像应用场景，并使用无监督神经网络技术进行细节图像检索，该方法可以通过精细的图像特征聚合和维度降低来识别细节，而不需要过多标注信息。
convolutional neural networkunsupervised learningfine-grained image retrievalimage annotationdeep descriptors
发现论文，激发创造
  • 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

  • 粗到细：学习单阶段图像检索的紧凑判别表示

    本研究设计了一个用于单阶段图像检索的紧凑鉴别性表示学习框架，只需要图像级别的标签，通过动态调整损失尺度和边界、选择重要的局部描述符并注入细粒度语义关系，实现了全局尺度上的类间区分度优化，取得了在 Revisited Oxford 和 Revisited Paris 等基准测试中的最新单阶段图像检索性能。

    Aug, 2023

  • 深度卷积特征聚合的图像检索

    本文通过对局部卷积神经网络特征进行聚合研究，提出一种基于简单加总池化的高效图像检索方法，取得了显著提升的效果。

    Oct, 2015

  • 图像检索的基于选择性深度卷积特征

    本文提出了一种新颖的框架用于图像检索，通过采用各种掩码方案从卷积特征中选择代表性的子集来解决爆炸性问题，并采用最新的嵌入和聚合方法进一步提高特征可区分性，从而达到了最先进的检索准确度。

    Jul, 2017

  • 使用无人标注的 CNN 图像检索进行微调

    本研究提出了一种基于 3D 模型的卷积神经网络 Fine-Tuning 方法，并使用该方法在 VGG 网络上取得了 Oxford Buildings、Paris、Holidays 数据集上的最新成果，此方法可通过可选的正或负样本增强目标物体检索性能。

    Nov, 2017

  • 领域适配的语义聚焦

    本文提出了一种基于对抗学习的语义集中方法（SCDA）用于解决领域自适应中的样本偏差和数据集标注问题，通过类别之间最大化样本预测分布的差异和最小化同一类别内不相似区域的特征差异来引导网络关注最主要的特征，SCDA 可作为一种常规方法集成到各种领域自适应方法中来进一步提高性能。

    Aug, 2021

  • 语义聚类用于鲁棒细节场景识别

    本文提出一种新颖的领域泛化方法，用于解决细粒度场景识别中的问题，并验证了该方法的有效性。

    Jul, 2016

  • 学习对比自我蒸馏以进行面向有限样本的超细粒度视觉分类

    在智能多媒体分析领域中，超细粒度视觉分类（Ultra-FGVC）在区分更大范畴内的复杂子范畴方面发挥着重要作用。本文提出 CSDNet，这是一个创新框架，通过有效探索对比学习和自我蒸馏来学习专为 Ultra-FGVC 任务设计的判别式表示。CSDNet 包括三个主要模块：子范畴特定的差异解析（SSDP）、动态差异学习（DDL）和子范畴特定的差异传递（SSDT），共同增强深度模型在实例、特征和对数预测层面上的泛化能力。实验结果表明，CSDNet 优于当前最先进的 Ultra-FGVC 方法，强调了其在解决 Ultra-FGVC 任务中的强大效力和适应性。

    Nov, 2023

  • 自适应尺度神经密集特征：通过层级上下文聚合学习

    本研究提出了 SAND 特征，一种专门针对特征提取的深度学习解决方案，能够提供分层上下文信息。该方法在视觉问题的许多方面具有广泛应用，并在不需要额外训练的情况下实现了更好或可比较的结果。

    Mar, 2019

  • 属性分组和挖掘哈希在细粒度图像检索中的应用

    通过对注意力机制进行建模以及使用属性分组和挖掘哈希（AGMH）来生成精细图像检索的综合特征表示，该方法在细粒度图像数据集上表现出最佳性能。

    Nov, 2023