ICCVMar, 2017

二阶信息对大规模视觉识别有用吗？

PDF
TL;DR该论文提出了一种基于高级特征的协方差汇集方法，即 Matrix Power Normalized Covariance (MPN-COV)，并在 ImageNet 上的测试中表现出了显著的成果，特别是在 AlexNet，VGG-M 和 VGG-16 的情况下，MPN-COV 方法可以使性能提高超过 3％，并且与 ResNet-152 相媲美。
covariance poolingconvnetshigh-level featuresmpn-covimagenet
发现论文，激发创造
  • 二阶卷积神经网络

    本文提出一种新颖的卷积神经网络（CNN）类，它利用二阶统计量，可以形成协方差描述符单元（CDU），可以替代标准 CNN 的全连接层，并在参数少至 90％的情况下优于一阶 CNN。

    Mar, 2017

  • 全局二阶池化卷积网络

    本文针对在深度卷积网络较早的层次有效引入二阶表示进行非线性建模的问题，提出了一种新的网络模型，并利用全局二阶池化 (GSoP) 对低到高层次进行二阶表示引入，使图像信息得到全面利用，实验结果表明，在 ImageNet-1K 数据集上，该网络模型优于同类网络，具有最先进的结果。

    Nov, 2018

  • 深度卷积神经网络遇上全局协方差池化：更好的表示和泛化

    该研究提出了一种适用于高维度、小样本场景的全局矩阵幂归一化协方差池化， 并引入了一个全局高斯嵌入网络来融合一阶统计信息。此方法在大规模对象分类、场景分类、细粒度视觉识别和纹理分类方面的实验表明，其优于现有的方法，并取得了最佳效果。

    Apr, 2019

  • 使用 CNN 的改进双线性池化

    本文研究了归一化二阶卷积特征的几种方式，其中以矩阵平方根归一化和元素平方根加 L2 归一化的方案为最佳，改进后在细粒度识别数据集上性能提高了 2-3%。研究还发现，在边界情况得到合理处理后，用于计算梯度的数值方法与网络的最终准确性关系较小。本文最终提出一种快速实现效果相当的固定迭代次数方法，可用于 GPU 上进行实现。

    Jul, 2017

  • 基于 CNN 学习的非线性卷积滤波器

    研究表明，在计算模型的视觉皮层中开发基于 Volterra 核的二阶卷积方法，可以增加卷积层的表达能力，在 CIFAR-10 和 CIFAR-100 数据集上，使用线性和非线性滤波器相结合的卷积网络可以超越使用相同体系结构的标准线性滤波器的网络的性能，取得与最先进水平相当的结果。

    Aug, 2017

  • 面部表情识别的协方差池化

    本研究探讨使用流形网络结构进行协方差池化对于人脸表情识别的改进，并且使用该方法在 Static Facial Expressions in the Wild（SFEW 2.0）和 Real-World Affective Faces（RAF）数据库上的准确率分别达到了 58.14% 和 87.0% 的最佳结果，同时这种池化方法也可用于视频人脸表情识别中。

    May, 2018

  • 具有统计动机的二阶汇聚

    介绍一种基于统计分析和高斯分布网络激活的方法，用于实现更紧凑的第二阶池化网络表示，以优于压缩或未压缩第一阶和第二阶模型，在多个基准识别数据集中进行了实验验证。

    Jan, 2018

  • 二阶相似度规范化弱监督学习的网络

    本研究提出了一种利用二阶信息和功率归一化的相似性学习网络，用于解决一种和少量样本学习问题，并在 Omniglot，miniImagenet 和 Open MIC 数据集上获得了最优结果。

    Nov, 2018

  • 二阶民主聚合

    该研究论文研究了一类无序聚合函数的设计，用于优化二阶特征提取和标准化过程中的贡献均衡，并证明它们能够像一阶聚合函数一样高效地运算，并在许多分类任务中表现出最先进的性能，特别是通过草图计算在较低维度计算二阶特征聚合。

    Aug, 2018

  • 细粒度分类的低秩双线性池化

    通过将局部特征的二阶统计合并为高维双线性特征，使用低秩双线性分类器对协方差特征进行表示，同时提出分类器共分解方法进一步压缩模型，实现细粒度分类任务中公共因子和分类特定项的紧凑表示，可以在保持和超越已有方法精度的情况下获得数量级更小的模型。

    Nov, 2016