Apr, 2017

用于细粒度图像分类的物体 - 部件注意力模型

PDF
TL;DR本文提出了一种弱监督下细粒度图像分类的目标 - 部件注意力模型 (OPAM)，该模型通过多视角和多尺度特征的学习来增强目标 - 部件关系的相互促进，并利用目标部件空间约束模型以区分子类别，同时避免了繁重的标注任务。与 10 多种先进方法的实验结果表明，OPAM 取得了最好的性能。
fine-grained image classificationobject-part attention modelweakly supervised learningmutual promotionspatial constraint model
发现论文，激发创造
  • 使用弱监督部件检测网络进行部件感知的细粒度对象分类

    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

  • 弱监督细粒度图像分类

    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

  • 深度卷积神经网络中使用两级注意力模型进行细粒度图像分类的应用

    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

  • 多关注多分类约束用于细粒度图像识别

    本文提出了一种基于注意力机制的卷积神经网络方法，使用一握多激励模块学习每个输入图像的多个注意区域特征，并在度量学习框架中应用多注意力多类约束，通过推拉相同 / 不同注意力类别的特征以实现多个目标区域的协调，并引入 Dogs-in-the-Wild 数据集以促进细粒度图像识别研究。

    Jun, 2018

  • DeePM: 一种用于目标检测和语义部件定位的深度基于部件模型

    本文提出了一种深度基于部件的模型（DeePM），旨在实现符号对象检测和语义部位定位，通过 PASCAL VOC 2012 数据集上的 20 种物体类别的语义部分注释来完成。DeePM 是基于最先进的 R-CNN 框架的潜在图形模型，通过灵活的类型共享学习对象 - 部分配置的显式表示。我们评估了所提出的方法在 PASCAL VOC 2012 上的对象和部分检测性能，并表明 DeePM 在检测对象和部件方面始终优于 OP R-CNN，并且在对象检测方面获得了比 Fast 和 Faster R-CNN 更好的性能。

    Nov, 2015

  • 基于零件的 R-CNN 用于细粒度分类检测

    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

  • 基于部件引导的注意力学习在车辆实例检索中的应用

    本文介绍了一种基于局部注意力机制（PGAN）的车辆实例检索方法，能够准确地区分车辆之间的微小差异，提高了现有的车辆实例检索性能。

    Sep, 2019

  • 面向任务的通道注意力优化细粒度少样本分类

    细粒度图像分类的难点主要来自于跨类别的整体外观相似性，因此识别鸟类的区分性细节，如眼睛和喙，是任务的关键。为了解决这个问题，我们提出了一种针对细粒度少样本分类的任务导向通道注意力方法，其中包含两个新模块：支持注意力模块 (SAM) 和查询注意力模块 (QAM)。SAM 突出显示编码类别区分特征的通道，而 QAM 为查询对象相关通道分配更高的权重。基于这些子模块，任务 - 自适应通道注意机制 (TDM) 通过集中关注编码类别区分细节并且同时由查询所具备的通道来产生任务适应性特征，以准确测量支持和查询实例之间的类别敏感相似度。TDM 通过通道重要性的任务自适应校准影响高层特征图，我们还在特征提取器的中间层引入了实例注意力模块 (IAM)，以实例级别突出显示对象相关的通道，通过扩展 QAM。TDM 和 IAM 的价值以及它们的互补收益在细粒度少样本分类任务中得到了实验证实。此外，IAM 在粗粒度和跨域少样本分类中也显示出了有效性。

    Jul, 2023

  • 自底向上的细粒度图像分类中的弱监督互补部件模型

    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

  • 通过自监督姿态对齐进行细粒度物体分类

    提出了一种基于图形的对象表示来消除姿态变化，实现自我监督的姿态对齐，同时还结合粗到细的监督和浅到深的子网络的提议的姿态不敏感限制，以逐步学习的方式鼓励网络产生区分性特征，已成功应用于三项流行的细粒度物体分类基准中，达到了最先进水平。

    Mar, 2022