Mask-CNN:用于细粒度图像识别的局部化部件和特征选择
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
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
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
本文提出了一种基于部位的 CNN 模型,在手动标注的强部位注释的基础上,通过模拟物体部件之间微小的差异来显式解释精细分类过程,同时由计算多个物体部分之间的共享策略,提高了效率,并获得了良好的准确度和模型可解释性的实验结果。
Dec, 2015
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
本文提出了一种基于预训练卷积神经网络的物体部位发现和定位方法 PDD,通过分析网络输出的梯度映射并找到与语义部分或边界框有空间关系的激活中心,实现对 CUB200-2011 数据集进行优秀的监测和分类性能,同时不需要在测试期间给定边界框或计算真假部分。
Nov, 2014
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
本文提出了一种基于面部属性监督的深度卷积神经网络 (CNN) 进行人脸检测的方法,通过观察 CNN 在对未裁剪的面部图像进行属性分类训练时产生局部探测器的现象,并利用具有局部结构和排列的人脸部分响应的评分机制来寻找人脸,使得该网络能够在面部部分可见的严重遮挡和非约束姿态变化下检测出人脸,实现了在 FDDB、PASCAL Faces、AFW 和 WIDER FACE 等流行基准测试中有着很有希望的性能表现。
Jan, 2017
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
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