ECCVJul, 2018

使用元学习优化和辅助数据样本选择的细粒度视觉分类

PDF
TL;DR本文提出了一种基于元学习的深度学习模型 MetaFGNet，通过一个新颖的正则化元学习目标来优化网络参数，解决 Fine-grained 视觉分类的训练样本不足问题，并且在辅助数据的筛选上提出了一种简单有效的方案，实验证明了该方法的有效性。
发现论文，激发创造
  • 多阶段度量学习实现细粒度视觉分类

    本研究提出了一种多阶段度量学习框架，针对细粒度视觉分类中高维特征向量的学习问题，通过距离度量学习解决了相互关联且难以区分的子类别和大量内部类差异等问题，并在 FGVC 基准数据集上取得了显著的性能提升。

    Feb, 2014

  • 最大熵细粒度分类

    本论文提出一种基于最大熵学习的卷积神经网络训练方法，以提高细粒度视觉分类任务的表现，并在此基础上取得了最新成果。该方法具有鲁棒性，可适用于各种类似问题的解决。

    Sep, 2018

  • 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

  • R2-Trans: 细粒度视觉分类中的冗余减少

    本文提出了一种新颖的 Fine-grained visual categorization (FGVC) 方法，可以同时运用环境线索中局部但足够区分的信息和对目标类别下的冗余信息进行压缩，通过计算批次中高权重区域的比例和自适应阈值，实现了输入空间中背景信息的适度提取。此外，本文还使用信息瓶颈方法指导网络在特征空间中学习最小充分表示。实验结果表明，此方法在三个常用基准数据集上表现优于其他最先进的方法和基线模型。

    Apr, 2022

  • 深入探讨多模式提示在细粒度视觉分类中的应用

    本文介绍了一种基于 CLIP 模型的多模态提示解决方案（MP-FGVC），通过跨模态描述充分利用 CLIP 模型在细粒度视觉分类（FGVC）任务中的能力，并且通过多模态的协同推理进一步提高 FGVC 的性能。

    Sep, 2023

  • 一次性细粒度实例检索

    本文提出了一个称为 One-Shot Fine-Grained Instance Retrieval (OSFGIR) 的检索任务，并介绍了一个辅助数据集（OSFGIR-378K dataset）。最后，提出了一个由三个组成部分（粗糙检索，细粒度检索和查询扩展）组成的粗糙到细糙的检索框架，通过 OSFGIR 方法，在没有完整训练集的情况下进行大规模细粒度物体识别，并实验证明比现有 FGVC 和图像检索方法更准确和有效。

    Jul, 2017

  • MetaFormer: 一种用于细粒度识别的统一元框架

    本文介绍了 MetaFormer 方法，它使用统一和简单的框架利用各种元信息来协助细粒度图像识别。实验证明，MetaFormer 可以有效地使用各种元信息来提高细粒度识别的性能，并且在 iNaturalist2017 和 iNaturalist2018 数据集上可以优于目前的最先进方法。

    Mar, 2022

  • 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

  • 细粒度视觉分类的注意力卷积二元神经树

    本文提出了一种基于关注的卷积二叉神经树框架，并使用路由功能、注意力变换器模块以及负对数似然损失函数等处理技术来解决细粒度视觉分类中遇到的问题，在多个标准数据集上的实验结果表明该方法性能优于先前提出的方法。

    Sep, 2019

  • 特征融合视觉 Transformer 用于细粒度视觉分类

    本文提出了一个基于 Transformer 的框架，通过聚合特征来处理细粒度视觉分类任务，其中引入了一种新的令牌选择模块（MAWS）来引导网络有效地选择具有判别性的令牌，从而实现了最先进的性能。

    Jul, 2021