该研究论文提出了一种无需具体的监督数据集，从网络上嘈杂的图像文本数据中发现和分析视觉属性的自动化方法，其基于属性和深度神经网络中的神经激活之间的关系，该方法对于发现和学习分类器，以及利用高度激活的神经元找到语义相关地区是有用的。

Jul, 2016

最近基础模型的进展为可解释的视觉识别提供了新的机会，通过查询大型语言模型获取描述每个类别的属性，然后应用视觉语言模型通过这些属性对图像进行分类，我们的研究发现，大量的 LLM 生成的属性与随机词几乎没有差别，我们提出了一种新的学习搜索方法来发现那些简明的属性集，该方法在 CUB 数据集上使用仅 32 个属性来区分 200 个鸟类的性能接近于大量 LLM 生成的属性（例如 CUB 的 10,000 个属性），此外，我们的新范式还展示了几个附加优势：人类的更高可解释性和互动性，以及总结知识的能力。

Aug, 2023

本文提出了一种利用来自购物网站的弱标签化的图像文本数据进行自动空间感知概念发现的方法，通过将服装图像及其对应描述联合建模，并通过将词汇语义向量表示与卷积地图得出的空间表示相结合生成空间感知表示。我们进一步将空间感知表示用于属性聚类，以形成空间感知概念，最终将视觉语义嵌入空间分解为多种概念特定子空间，以利用多模态语言规律实现结构化浏览和属性反馈产品检索。我们在新收集的 Fashion200K 数据集上进行了大量实验，聚类质量评估和属性反馈产品检索任务的结果证明了我们自动发现的空间感知概念的有效性。

Aug, 2017

本文提出了一种利用语义分割来优化面部属性预测的方法，通过这种方法，我们不仅能够识别人脸属性，而且能够定位这些属性，获得了比以前更好的结果。

Apr, 2017

该论文介绍了一种基于弱标记图像的对象属性关联的建模方法，并提出了一个新的弱监督非参数贝叶斯模型，能够描述图像，包括对象、属性、关联及其位置和分割。实验表明，该方法在图像描述和基于对象属性关联的检索任务上表现好于强监督模型。

Mar, 2015

本文提出了一种基于属性的无监督学习方法，通过学习将类别嵌入与属性耦合的关系模型，来自动预测未见过的类别与属性之间的关联，并支持跨数据集的属性传递。实验证明，该方法在 Animals with Attributes 和 aPascal/aYahoo 数据集上的性能优于现有方法。

Oct, 2016

本文提出了使用神经语言模型来克服零 - shot 视觉识别中属性的局限性，并取得了在文本图像检索精度和零 - shot 分类准确率上的显著性提升。

May, 2016

本研究提出一种用于预测对象视觉属性的大规模数据集，通过多标签分类解决对象属性预测问题，并采用多种技术来解决大量属性、标签稀疏性、数据不平衡和对象遮挡等问题，其中包括使用低级和高级 CNN 特征、多跳关注、重新加权和重新抽样技术、负标签扩展和监督属性感知对比学习算法，并取得了超过现有技术水平的 3.7 mAP 和 5.7 F1 值的改进。

Jun, 2021

该研究提出一种使用众包图像标签发现属性名称的潜在因素的方法，以捕捉属性的主要变体，从而提高基于属性的图像搜索的精度，以及用于描述视觉内容的一般任务中的广泛应用。

May, 2015

通过使用多任务深度卷积神经网络 (MCNN)，共享所有属性的最低层，共享相关属性的更高层，并在 MCNN 上构建辅助网络以利用所有属性的分数来提高每个属性的最终分类，我们可以利用属性关系来提高属性分类器的准确性。我们在两个具有挑战性的公开数据集上展示了我们方法的有效性。

Apr, 2016