Apr, 2018

任务粒度对迁移学习的有效性

PDF
TL;DR本文提出了一个 DNN 模型，用于视频分类和字幕生成，它经过端到端的训练，在不同粒度任务中共享特征，在迁移学习中获得更好的表现。在 Something-Something 数据集上，该模型比现有的分类基线具有更好的性能，并在新的 Something-Something 字幕生成任务中提供了强有力的基准。实验表明，通过训练更多的细粒度任务，可以产生更好的特征用于迁移学习。
dnnvideo classificationcaptioningtransfer learningfine-grained
发现论文，激发创造
  • 增强的细粒度人体动作识别的联合 CNN Transformer 编码器

    本文研究了基于视觉编码器和多模式视频文本交叉编码器的两个框架，通过结合 CNN 视觉和 Transformer 编码器，增强了细粒度行动识别的效果，并在 FineGym 基准数据集上取得了最新的最优性能。

    Aug, 2022

  • 通过从网络图像的域转移，在视频中对细粒度动作进行时间本地化

    本研究采用弱监督和跨领域转移学习的方法，结合深度卷积神经网络和长短时记忆网络，实现从未剪辑的网络视频中，对于精细的动作定位识别，并使用大量的数据集如 FGA-240 和 THUMOS 2014，得到了令人信服的结果。

    Apr, 2015

  • 野外环境下的细粒度识别：一种多任务域自适应方法

    本研究探讨了细粒度领域适应的概念并提出了基于属性的多任务适应损失来解决现有细粒度目标识别模型无法准确分类野外图像的问题，通过在一组新的细粒度数据集上的实验证明了该算法可以显著提高准确性。

    Sep, 2017

  • 为细粒度特征表征嵌入标签结构

    本文提出了一种多任务学习框架，同时优化分类和相似性约束，将标签结构（如层次结构或共享属性）嵌入到框架中以建模多级相关性，从而实现精细的特征表示，并在细粒度数据集上得到了非常竞争的性能。

    Dec, 2015

  • 大规模细粒度分类和领域特定的迁移学习

    本研究提出了一种从大规模数据集到小规模、特定领域细粒度图像分类（Fine Grained Visual Categorization, FGVC）任务的迁移学习方法，并通过 Earth Mover's Distance 提出了一种衡量领域相似度的方法，实现了目标领域与数据源领域之间的知识迁移，得到了最先进的结果。

    Jun, 2018

  • 低分辨率图像分类的细到粗知识迁移

    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

  • 学习细粒度视觉描述的深度表示

    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

  • 领域特定先验和元学习用于少样本第一人称动作识别

    本文旨在提出一种基于元学习的有效的实现少样本迁移学习的方法，该方法使用局部视觉线索学习表示，以在具有不同场景和动作配置的公共数据集之间进行行为分类模型的迁移。结果表明，该方法在跨类别和跨数据集转移方面效果优于现有的行为分类方法。

    Jul, 2019

  • 视频分类与字幕的深度学习

    本文主要关注于评估使用深度学习来理解视频中的内容的两个方向，即视频分类和视频字幕生成，并对常用基准和竞赛进行了回顾。

    Sep, 2016

  • 网络图像的注意力转移用于视频识别

    通过利用弱监督网络图像，提出了一种能够将图像转移到视频领域的深度学习分类器，使用 Siamese EnergyNet 网络结构来优化空间注意力图的能量函数，解决了基于网络图像训练的分类器到视频上显著下降的问题。

    Aug, 2017