卷积低分辨率细粒度分类
本研究提出一种简单且有效的深度学习方法,可将高分辨率训练数据中获得的细粒度知识传递到粗糙的低分辨率测试场景,其在监控照片或卫星图像等低分辨率场景中识别物体具有许多实际应用。实验结果表明,本方法能有效地将细节知识传递到粗略的图像中,且在包含汽车模型和鸟类物种的两个基准数据集上取得了优异的表现。
May, 2016
本文提出了一种基于深度卷积神经网络的学习系统,该系统对视觉相似的类别进行聚类,并学习针对每个子集的特定深度卷积神经网络特征,在测试时不需要边界框。在流行的 Caltech-UCSD 鸟类数据集上,实验证明该方法优于最近的细粒度分类方法,无需边界框,在最困难的情况下达到了 77.5% 的平均准确率,而先前的最佳表现为 73.2%。本文还表明,渐进式迁移学习使我们能够先学习通用领域的特征,然后将其调整到特定的鸟类集合中,从而提高准确性。
May, 2015
本文提出了一种简单而有效的无监督深度特征传递算法,用于低分辨率图像分类,无需 fine-tuning。首先,我们使用预先训练的 convenet 提取高分辨率和低分辨率图像的特征,然后将它们馈送到两层特征转移网络以进行知识转移。接着,我们直接使用这些传递的低分辨率特征学习 SVM 分类器。该网络可以作为插件特征增强模块嵌入到最新的深度神经网络中,以保持高分辨率图像特征空间中的数据结构,并将良好结构的源域 (高分辨率特征空间) 的区分特征传递到不良组织的目标域 (低分辨率特征空间) 上。通过对 VOC2007 测试集的大量实验证明,所提出的方法比仅使用特征提取的基线方法实现了显著的性能改善。
Aug, 2019
本文提出一种深度学习方法用于图像超分辨率,采用卷积神经网络直接将低分辨率图片转换为高分辨率图片,能够实现较快的速度和超强的恢复质量,扩展支持三种颜色通道同时处理。
Dec, 2014
本文介绍了一种应用深度卷积神经网络用于语义标签高分辨率遥感数据的方法,采用了全卷积网络和预训练卷积神经网络在卫星图像识别中得到了较好的应用效果。
Jun, 2016
比较了三个经典和三个最近引入的具有挑战性的数据集上的 30 多种最先进的超分辨率卷积神经网络,提出了一种基于深度学习的超分辨率网络的分类方法,并提出了现有技术的几个缺点和未来研究方向。
Apr, 2019
该论文提出了 Attention Pyramid Convolutional Neural Network (AP-CNN) 模型,通过集成低级信息以及 ROI 引导精细调整等策略来提高对物体细分类别的识别准确率。在三个 Fine-grained visual classification 数据集上实验结果表明,该模型能够实现最先进的性能。
Feb, 2020
本研究提出了一种用于单幅图像超分辨率的高精度方法,利用 VGG-net 进行训练,使用 20 个卷积层避免过拟合,训练方法基于小滤波器,只学习残差,并使用极高的学习率。实验表明,该方法在精度上优于现有方法。
Nov, 2015
本研究旨在扩展残差网络的优点,如快速训练,用于低级视觉问题,即单个图像超分辨率,通过引入跳跃连接和逐渐改变网络形状的策略,该方法在单个图像超分辨率上取得了最新的 PSNR 和 SSIM 结果,并产生了视觉上令人愉悦的结果。
Mar, 2017