MMJun, 2018

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

PDF
TL;DR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。
fine-grained object categorizationweakly supervised part detection networklocal partssubordinate categoriespart annotations
发现论文，激发创造
  • 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

  • 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

  • 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

  • 深度卷积神经网络中的零件检测器发现

    本文提出了一种基于预训练卷积神经网络的物体部位发现和定位方法 PDD，通过分析网络输出的梯度映射并找到与语义部分或边界框有空间关系的激活中心，实现对 CUB200-2011 数据集进行优秀的监测和分类性能，同时不需要在测试期间给定边界框或计算真假部分。

    Nov, 2014

  • Mask-CNN：用于细粒度图像识别的局部化部件和特征选择

    本文提出了一种新颖的端到端 Mask-CNN 模型，旨在解决细粒度图像识别中的挑战，这个模型基于细粒度图像的部件注释，通过卷积网络定位亚区别的部件并生成对象 / 部件掩模，实现对有用和有意义的卷积描述符的选择并聚合在一起，此模型相对于现有最先进的细粒度方法具有参数最少、特征维度最低和最高的识别准确性。

    May, 2016

  • 用于细粒度图像分类的物体 - 部件注意力模型

    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。

    Apr, 2017

  • 用 Part-Stacked CNN 进行细粒度视觉分类

    本文提出了一种基于部位的 CNN 模型，在手动标注的强部位注释的基础上，通过模拟物体部件之间微小的差异来显式解释精细分类过程，同时由计算多个物体部分之间的共享策略，提高了效率，并获得了良好的准确度和模型可解释性的实验结果。

    Dec, 2015

  • PartNet：大规模精细和分层 3D 对象部件理解基准测试

    本文介绍 PartNet 数据集，该数据集是一个一致的、大规模的、带有精细的、实例级别的和分层的 3D 部分信息的 3D 对象的注释数据集。我们提出了三种评估 3D 部分识别的挑战，包括细粒度语义分割、分层语义分割和实例分割，并基于该数据集进行了实验，结果表明其优越性能。

    Dec, 2018

  • 细粒度姿态预测、归一化和识别

    本文提出了一种全卷积网络的方法，通过部位定位和关键点标注来实现表观的转化，以有效解决姿态变化和外观上的微妙差异在微细分类中的挑战。在 CUB200 测试集中表现出最新的性能，为强监督发挥了重要作用。

    Nov, 2015

  • 特征对齐下的无监督部件发现

    本文提出利用无监督学习的方法发现物体的不同部位，通过神经网络构建特征并实现物体识别和部位检测。

    Dec, 2020