基于多重学习的卷积神经网络可解释部件图生长

AAAINov, 2016

Growing Interpretable Part Graphs on ConvNets via Multi-Shot Learning

Quanshi Zhang, Ruiming Cao, Ying Nian Wu, Song-Chun Zhu

TL;DR该研究提出了一种从预先训练的卷积神经网络中提取对象 - 部分概念的学习策略，通过挖掘预先训练的 CNN 中的潜在模式，并将它们与不同的语义部分关联来逐步在 CNN 上构建一个具有语义解释性的图形模型，以实现层次化的对象理解。

Abstract

This paper proposes a learning strategy that extracts object-part concepts from a pre-trained convolutional neural network (CNN), in an at

发现论文，激发创造

本文提出了一种简单而高效的方法，通过自动区分不同的部分模式从每个卷积滤波器中解开卷积神经网络内隐藏的知识层次结构，并构建了一个解释性图形模型，该模型通过无监督学习的方法进行了预训练，该图表现出不同图像中相同的物体部分，并且通过转移图形中的部分模式到部分定位任务中，其性能显著优于其他方法。

Aug, 2017

本文利用基于卷积神经网络和主动问答的方法，通过自动发掘神经网络内部表示的部件概念及其语义结构，并将其表示为基于 And-Or 图的四层语义层次结构，同时实现对神经元与显式部件的对应，最终在物体定位上取得了很好的效果。

Apr, 2017

本研究通过对 CNNs 的内部状态进行聚类，提出了一种无监督学习方法来发现物体的语义部件表达，即 Visual Concepts，并证明了其在物体部件检测和语义标注方面的有效性。

Nov, 2015

本研究探讨了物体分割的任务，通过使用语义分割系统和限制玻尔兹曼机的有益信息，结合 Dense CRF 标签，采用判别式方法提高了语义部分分割的性能，并在 PASCAL 数据集上展示了优越的性能。

May, 2015

本文研究了使用卷积神经网络实现视觉对象识别任务时，CNN 是否学习了语义部分的内部表示，结果发现对于对象识别最有辨别力的卷积滤波器对应着某些语义部分。

Jul, 2016

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

本文提出了一种新的框架，通过在目标级别和部分级别上结合技术对场景中物体中多个实例和多个部分进行语义分割，其中包括类别条件模块和基于邻接图的模块来解决不同级别的歧义问题。在 Pascal-Part 数据集上的实验证明了该框架的有效性。

Jul, 2020

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

本文提出了一种新的 few-shot 分割框架，基于原型表示，并将整体类表示分解为一组部分感知原型，能够捕捉多样化和细粒度的物体特征。通过利用无标签数据丰富我们的部分感知原型，提高语义对象的内部变化建模。通过在两个基准测试上进行广泛的实验评估，表明我们的方法优于以前的方法。

Jul, 2020

本文提出了一个具有部分分割能力的检测器，可以通过多粒度对齐来预测开放词汇的物体和它们的部件分割，并通过密集语义对应将新物体解析为其部件。该方法在不同数据集上的实验表现优于基线方法，并且具有更好的数据通用性。

May, 2023