MMAug, 2018

利用分层语义嵌入进行精细化表示学习和识别

PDF
TL;DR通过 Hierarchical Semantic Embedding (HSE) 框架在深层神经网络中整合不同层级的类别预测，从而实现对复杂图像的精细分类，该方法优于基线模型和现有竞争对手，可以应用于精细图像识别领域。
fine-grained image recognitionhierarchical semantic embeddingstructured correlation informationdeep neural networkcategory hierarchy
发现论文，激发创造
  • 基于知识嵌入的细粒度图像识别表征学习

    本文提出了一个知识图谱和门控图神经网络相结合的框架，名为知识嵌入表示学习框架，用于处理细粒度图像识别问题，并在广泛使用的 Caltech-UCSD 鸟数据集上进行了大量实验，证明了该框架超越现有的最先进方法。

    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

  • 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

  • 层次分类和数据驱动分类的实体和分类别的联合嵌入

    本研究提出了一种基于大型知识库集成结构化知识和分类法层次结构将实体和类别嵌入到语义空间的框架，使框架能够计算实体和类别之间有意义的语义相关性，以处理单词概念和多词概念，在概念分类上表现出卓越性能，并在无数据层次分类方面取得了最新的成果。

    Jul, 2016

  • 精细图像分类的输出嵌入评估

    本文研究了基于图像和类别嵌入来实现零样本学习，使用无监督学习得出的输出嵌入方法可达到比之前任何监督方法表现更好的分类效果，从而大大降低了对于细分类别标注数据的需求。

    Sep, 2014

  • 用大型语言模型实现细粒度视觉识别的民主化

    使用大型语言模型作为代理，FineR 在语义细分类别推理方面体现出更好性能，优于几种先进的 FGVR 和语音与视觉助手模型，并展示了在野外和新领域中工作的潜力。

    Jan, 2024

  • 基于层级结构的图像嵌入方法用于语义图像检索

    该研究提出了通过将图像映射到类别嵌入中以学习语义鉴别性特征的方法，从而提高图像检索结果的语义一致性。结果显示在 CIFAR-100，NABirds 和 ImageNet 上，学习到的图像嵌入大大提高了图像检索结果的语义一致性。

    Sep, 2018

  • 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

  • 属性识别的分层特征嵌入

    提出了一种基于层次化特征嵌入框架的属性识别方法，结合属性和 ID 信息学习细粒度特征嵌入，在同一属性和同一 ID 下收集更紧密的样本，通过 HFE 损失和附加正则化组件以及动态损失权重实现。在两个行人属性数据集和一个面部属性数据集上，实验表明我们的方法取得了最先进的结果。

    May, 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