May, 2016

描述引导的属性关注定位：用于细粒度识别的定位方法

PDF
TL;DR该研究通过属性指导下的注意力定位方案设计新的奖励策略，使用强化学习算法定位具有空间和语义区别的局部特征区域，从而在精细识别和属性识别方面超越了传统基于部件的方法。
fine-grained recognitionattention modelsattribute-guided localizationreinforcement learning algorithmcub-200-2011 dataset
发现论文，激发创造
  • 细粒度表示学习的属性感知注意力模型

    本文提出一种新颖的 Attribute-Aware Attention Model（A^3M）模型，可以同时学习局部属性表示和全局类别表示，通过属性 - 类别互惠过程，从而更好地提取图像中的固有信息，以实现更好的图像识别效果。

    Jan, 2019

  • 基于本地化引导的行人属性识别学习

    提出了一种基于定位的引导网络，该网络为每个属性自动学习本地特征，并通过与全局特征的互动强调它们，在两个行人属性基准测试中取得了最新的最佳成绩。

    Aug, 2018

  • 可解释准确的细粒度识别：区域分组方法

    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

  • 利用弱监督的多尺度属性特定定位改善行人属性识别

    提出适用于行人属性识别的属性定位模块 (ALM)，以自适应方式发现最具有区分性的区域并学习每个属性的区域特征，并引入特征金字塔架构以实现低水平的属性特定局部化。

    Oct, 2019

  • 人物再识别中的属性辅助部位检测与细化

    本文介绍了一种新的人物属性检测方法，利用属性检测来生成相应的局部检测器，提取局部特征来解决人物再识别中的身体部分不对齐问题，并将属性信息与局部描述符相结合以消除检测偏差带来的干扰。该模型在两种常用基准测试上表现良好。

    Feb, 2019

  • 基于显著性引导的快速 R-CNN 细粒度判别定位

    本文提出了一种基于注意力引导下的快速卷积神经网络的判别定位方法，具备同时定位判别区域和编码判别特征的能力，并将其应用于细粒度图像分类任务中，取得了最佳分类准确性和效率。

    Sep, 2017

  • 自适应部件的属性识别

    本文提出了一种端到端的深度学习方法，通过关键点生成对象部件并进行属性识别，采用多任务学习，实现对象部件和属性识别的联合优化，从而克服了以往基于部件的属性识别方法中存在的部件优化不足的问题，并在两个数据集上进行了广泛的实验验证了该方法的有效性。

    Jul, 2016

  • 用于细粒度识别的全卷积注意力网络

    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。

    Mar, 2016

  • 通过粗到细的注意力机制，基于注意力特征学习，实现人体属性识别中的注意力分析

    本文提出一种新的深度学习方法，即分心感知的人体属性识别（Distraction-aware HAR），通过改进注意力机制来提高属性定位，从而提高深度 CNN 特征学习的准确性，在 WIDER-Attribute 和 RAP 数据库上进行广泛实验，并取得了最先进的结果。

    Nov, 2019

  • 语义引导的多注意力区域定位用于零样本学习

    本文关注于零样本学习中如何挖掘物体的区分特征，提出了基于语义导向的多注意力定位模型，该模型通过发现物体最区分性的部分实现了零样本学习且不需要任何人工标注。在三个广泛使用的零样本学习基准测试上的综合实验表明，该模型及其提出的方法在很大程度上提高了现有技术水平的效果。同时，该方法对整个物体以及检测到的部分学习了协同的全局和局部特性，基于语义描述对物体进行分类。

    Mar, 2019