Jul, 2018

细粒度图像搜索的对抗学习

PDF
TL;DR本论文提出了一种名为 FGGAN 的端到端网络，通过从多视角图像中隐式学习几何变换的方式来学习判别性表征，进而解决精细图像检索中由于姿态变化造成的难点；该网络使用生成式对抗网络（GAN）自动处理复杂视角和姿态的差异，并在开放集情况下能够更好地匹配来自未见过和未知的细粒度类别的图像，与基线相比实现了 10% 的相对改进。
fine-grained image searchmulti-view imagesgenerative adversarial networkfine-grained categoriesopen-set scenario
发现论文，激发创造
  • 通过非对称训练生成细粒度图像的 CVAE-GAN

    本文提出一种融合自编码器和生成式对抗网络的变分生成式对抗网络模型，用于合成细粒度类别中的图像。该模型采用交叉熵损失和均值偏差目标函数，学习潜在属性和标签对图像的影响关系，并利用特征匹配保持生成图像的结构。实验结果表明该模型可以生成高度写实、具有细粒度标签的图像。

    Mar, 2017

  • 基于生成对抗网络的对比细粒度类聚类

    本研究提出了一种基于信息生成对抗网络和对比学习的无监督细粒度图像聚类方法，旨在学习特征表示，促进数据集在嵌入空间中形成明显的聚类边界，同时最大化潜在编码与图像观测之间的互信息。实验结果表明，该方法在四个细粒度图像数据集上实现了最先进的聚类性能，同时缓解了模式崩溃现象。

    Dec, 2021

  • 面向视觉识别的细粒度图像转换

    本研究针对图像变换任务中的身份标签保留问题，通过对生成对抗网络的模型改进，提出了一种保留输入图像身份的图像变换方法，并在 CompCars 和 Multi-PIE 数据集上进行了大量实验证明了模型的实际效用，尤其是在细粒度少样本学习任务上。

    Jan, 2020

  • 用于细粒度识别的全卷积注意力网络

    本文提出了一种基于全卷积注意力网络（FCANs）的强化学习框架，用于优化细粒度识别中的局部区域，并避免耗费昂贵的部件注释和定义困难的细粒度类别，该方法在包括 CUB-200-2011、斯坦福狗、斯坦福汽车和 Food-101 等四个基准数据集上得到了证明。

    Mar, 2016

  • F2GAN: 融合与填充 GAN 用于少样本图像生成

    本文提出了一种融合填充生成对抗网络（F2GAN）来解决少样本图像生成问题，该方法通过图像融合和填充细节，并通过鉴别器中的多模式寻求损失以及插值回归损失来保证生成图像的多样性。实验结果表明，该方法在 5 个数据集上的表现优异。

    Aug, 2020

  • 可学习的语义数据增强的细粒度识别

    通过特征级别的数据增强和协方差预测网络，我们提出了一种改善细粒度图像识别的方法，可以有效区分细分类别，提高泛化性能。

    Sep, 2023

  • 通过生成对抗和排序网络进行弱监督目标发现

    本文介绍了一种新颖的网络训练方法和学习目标，采用深度生成对抗网络以及新的相似度度量方法，用于发现图片中的多个对象实例、弱监督对象检测及排名 GAN，以实现对应用的提高和优化。

    Nov, 2017

  • FineGAN：细粒度对象生成和发现的无监督分层解缠模型

    本论文提出了一种名为 FineGAN 的新型无监督生成对抗网络框架，旨在实现对细粒度物体类别进行分层次生成。FineGAN 采用信息理论将三种因素（背景、目标形状、目标外貌）与潜在代码相关联，并以特定方式进行编码，从而实现所需层次关系，并通过大量实验验证了 FineGAN 的有效性。FineGAN 的代码 / 模型 / 演示可在 URL 中找到。

    Nov, 2018

  • 生成对抗网络用于信息检索：基础与进展

    本教程讨论了 GAN 技术及其在不同信息检索场景下的离散数据拟合的变体，着重介绍了 IRGAN 的基本 GAN 框架和直接应用在信息检索中拟合单个 ID 数据分布，以及 GAN 在生成文本和图形数据等方面的解决方案，并介绍了 IRGAN 和 Texygen 等相关开源平台来帮助研究者进行有关 GAN 的信息检索实验，最后对 GAN 在信息检索中未来研究方向进行了综合总结和展望。

    Jun, 2018

  • MatchingGAN：基于匹配的少样本图像生成

    我们提出了一种基于匹配的生成对抗网络，包括匹配生成器和匹配鉴别器，可以在仅有少量图像的情况下生成新图像，并加以验证。

    Mar, 2020