Sep, 2017

联合层次结构学习和大规模图像分类

PDF
TL;DR本文介绍了一种基于层次化视觉数据结构的图像分类方法，该方法利用层次聚类创建了可变长度的视觉树，从而更准确地进行分类。该方法在 ILSVRC2010 和 Caltech 256 基准数据集上获得了显著更好的分类准确率。
scalable image classificationhierarchical visual data structuresinter-class structuresvisual treeilsvrc2010
发现论文，激发创造
  • 基于层次结构的视觉和语义相似度融合图像检索

    提出了一种基于内容的图像检索方法，通过构建视觉层次结构来捕捉视觉和语义的相似性，将其融合到相似度搜索的距离计算度量中，实验证明该方法在图像检索方面具有优越性能。

    Aug, 2023

  • 维护语义层次的大规模图像检索深度哈希

    本研究提出了一种有效的方法，以保留完整语义层次结构的类别相似性，以提高大规模图像检索的精细级别性能并生成更好的二进制代码。

    Jan, 2019

  • 探索大规模零样本图像分类的分层图表示

    提出了一种基于层次图知识表示的置信度分类方法，命名为 HGR-Net，用于零样本学习和大规模图像识别，可以有效地识别未见过的类别并区分它们与已见过的类别，在 ImageNet-21K 基准测试中，性能比其他现有技术提升了 7%。

    Mar, 2022

  • 电子商务搜索中的层次化查询分类

    通过增强的表示学习和细粒度实例关系的对比损失，以及关注内在标签分类法的细粒度层次分类损失，我们提出了一种新颖的框架来解决层次化查询分类的挑战，同时利用与已标注查询共享的无标签查询的相似性智能地选择这些查询以提高分类性能。实验证明，我们的方法优于专有的 Amazon 数据集上的最先进方法，并与 Web of Science 和 RCV1-V2 的公共数据集中的最先进方法相媲美，这些结果凸显了我们提出解决方案的有效性，并为下一代层次感知查询分类系统铺平了道路。

    Mar, 2024

  • HGCLIP：基于图表示的层次理解视觉 - 语言模型的探索

    我们提出了一种将 CLIP 与图表示学习相结合以更深入地利用分层类结构的新框架（HGCLIP），通过将类层次结构构建成一个图，其中其节点代表每个类别的文本或图像特征，通过图编码器，文本特征结合了分层结构信息，而图像特征通过注意机制强调了从原型派生的类别感知特征，我们的方法在通用和细粒度视觉识别基准上均取得了显著的改进。

    Nov, 2023

  • 层级洞察：利用结构相似性进行可靠的 3D 语义分割

    通过抽象的学习规则，我们提出了一种训练策略，使得三维光达语义分割模型能够学习不同类别之间的结构关系，从而提高模型的置信度校准，并为融合、预测和规划等下游任务保留附加信息。

    Apr, 2024

  • 使用二元数值的层次分类

    本文通过在二元数据上进行简单分类，以有效分类分层数据。在某些场景下，尤其是一些类别比其他类别容易辨别时，具有计算和准确性优势。

    Jul, 2018

  • 使用蕴涵锥嵌入的分层图像分类

    该论文提出了一套使用嵌入到分类标签中的类层次结构信息，通过改进算法进行图像分类和表示学习的方法，并将其在 ETHEC 数据集中进行了实证测试。

    Apr, 2020

  • 利用稀疏不完整标记发现视觉概念结构

    该研究提出一种基于层次多标签随机森林模型的方法，能够将视觉数据的概念结构与标签信息进行相关联，并能够准确地解释视觉语义，例如揭示具有类似高级概念的有意义的视觉组，并为单个视觉数据样本恢复缺失标签。此方法能够在高度稀疏和不完整的标签情况下，发现更准确的文本标签和视觉特征之间的语义相关性，并在基准视频和图像数据集上展示了其应用于视觉数据聚类和缺失标记完成两个基本应用的优点。

    May, 2017

  • 利用数据层次结构作为对比学习的新模态

    本研究探讨了如何使用分层结构化数据来帮助神经网络学习大教堂的概念表示。通过 WikiScenes 数据集提供的空间组织的分层结构，我们提出了一种新颖的分层对比训练方法，利用三元组边界损失在编码器的潜在空间中表示数据的空间层次结构，研究了数据集结构是否为自监督学习提供了有价值的信息。通过应用 t-SNE 可视化所得到的潜在空间并将所提出的方法与其他具有特定数据集的对比学习方法在常见的下游分类任务中进行比较评估，结果表明所提方法优于可比较的弱监督和基准方法。我们的发现表明数据集结构是弱监督学习中有价值的模态。

    Jan, 2024