ECCVAug, 2016

相对属性的端到端定位和排序

PDF
TL;DR提出了一个端到端的深度卷积神经网络，可以同时定位和排序相对视觉属性，在仅使用弱监督成对图像比较的情况下进行学习。不同于之前的方法，我们的网络联合学习了特征、定位和排序。我们的定位模块发现属性最有信息量的图像区域，这个区域被排序模块用来学习属性的排序模型。我们的端到端框架也显著加速了处理速度，比之前的方法快得多。我们在各种相对属性数据集上展示了最先进的排序结果，我们的定位结果清楚地表明了我们的网络学习了有意义的图像块。
end-to-end deep convolutional networkrelative visual attributesweakly-supervised pairwise image comparisonslocalization moduleranking module
发现论文，激发创造
  • 深度相对属性

    该论文提出了一种基于深度神经网络的相对属性预测方法，其中采用卷积神经网络 (ConvNet) 学习特征，包含排名层 (rank layer) 学习根据这些特征对图像进行排序，并采用适当的排名损失进行训练，优于基线和最先进的方法，适用于不同类型的数据集。

    Dec, 2015

  • 用于非对齐人脸属性分类的深级联网络

    本文提出了一个级联网络，同时学习了特定属性的面部区域定位和无需对齐的属性分类，使用多网路学习方法和基于提示的模型压缩进一步提高了模型性能。在未对齐的 CelebA 数据集上，与最先进的方法相比，分类错误率降低了 30.9％。

    Sep, 2017

  • FashionSearchNet-v2: 使用特征位置定位学习属性表示，用于带属性操纵的图像检索

    本文提出了一种基于属性操控的图像检索方法，使用 FashionSearchNet-v2 架构学习属性特定表示，并通过弱监督定位模块提高相似性学习，所得的本地表示基于被指导的属性操控合并为单个全局表示，在多个数据集上展示了 FashionSearchNet-v2 的优越性和可泛化性。

    Nov, 2021

  • 具备属性与内容适应的照片美学排名网络

    本研究旨在学习使用卷积神经网络，应用深度学习技术自动评估照片美学排名，基于深入剖析其有意义的摄影属性与图像内容信息来规范复杂的照片美学评分问题，通过新提出的采样策略，从多个人类评分者分配的美学得分次元数据集中提取信息，提高了算法的一致性与鲁棒性，实验表明，该模型可使美学排名更符合人类评分标准，并成功在现有 AVAdatabase 基准测试中实现了最先进的图像分类性能

    Jun, 2016

  • 双属性感知排名网络实现跨域图像检索

    本文提出了一种基于双属性感知排序网络的跨域图像检索方法，解决了实际应用中用户拍摄的非理想服装图像与在线购物图片之间巨大差距的问题，并通过语义属性学习、视觉相似性约束以及大规模数据集的使用极大地提高了图像检索的性能。

    May, 2015

  • 弱监督学习中层特征在行人属性识别和定位中的应用

    本文提出了一种基于 GoogLeNet 网络的弱监督属性定位框架来解决行人属性识别问题，其中使用最大池化的弱监督目标检测技术来训练属性特征图，并通过检测响应大小的回归来预测属性标签，通过对检测层激活图的融合加权聚类，可以推断出行人属性的位置和大致形状。实验证明该方法在行人属性识别和定位方面取得了有竞争力的表现。

    Nov, 2016

  • 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

  • 属性定位和修订网络用于零样本学习

    本文介绍了 Attribute Localization and Revision Network（属性定位和修正网络），通过属性定位模块（ALM）和属性修正模块（ARM）实现了零样例学习任务，并且通过综合实验结果验证了该模型的有效性。

    Oct, 2023

  • 深度属性网络

    本文提出了称为深层属性网络（DAN）的模型，可以输出图像的属性而不进行分类，在无约束的人脸验证和现实世界中的物体识别任务中使用 LFW 和 a-PASCAL 数据集对提出的模型的功效进行了评估，展示了基于属性的分类用于深度学习，通过展示与现有最先进结果相当的结果来演示了其潜力，一旦训练得当，DAN 快速且不需要计算可能不可靠和计算代价昂贵的低级特征。

    Nov, 2012

  • 一种由面部属性预测增强的深度人脸识别网络

    该研究提出了一种新的深度学习框架，预测面部属性并将其作为软模态来提高面部识别性能，并且在预测属性和面部特征中融合以改进面部识别性能。实验结果表明，该模型在面部识别和属性预测性能方面都有很好的表现，特别是在身份面部属性预测方面。

    Apr, 2018