用于低分辨率图像分类的无监督深度特征迁移

ICCVAug, 2019

用于低分辨率图像分类的无监督深度特征迁移

Unsupervised Deep Feature Transfer for Low Resolution Image Classification

Yuanwei Wu, Ziming Zhang, Guanghui Wang

TL;DR本文提出了一种简单而有效的无监督深度特征传递算法，用于低分辨率图像分类，无需 fine-tuning。首先，我们使用预先训练的 convenet 提取高分辨率和低分辨率图像的特征，然后将它们馈送到两层特征转移网络以进行知识转移。接着，我们直接使用这些传递的低分辨率特征学习 SVM 分类器。该网络可以作为插件特征增强模块嵌入到最新的深度神经网络中，以保持高分辨率图像特征空间中的数据结构，并将良好结构的源域 (高分辨率特征空间) 的区分特征传递到不良组织的目标域 (低分辨率特征空间) 上。通过对 VOC2007 测试集的大量实验证明，所提出的方法比仅使用特征提取的基线方法实现了显著的性能改善。

Abstract

In this paper, we propose a simple while effective unsupervised deep feature transfer algorithm for low resolution image classification. No fine-tuning on convenet filters is required in our method. We use pre-tr

unsupervised deep feature transfer low resolution image classification convenet filters feature transfer network svm classifier

发现论文，激发创造

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

卷积低分辨率细粒度分类

使用高分辨率图像分类和卷积超分辨率技术相结合的方法，提出了一种用于解决低分辨率图像细节问题的端到端的深度模型，并在 Stanford Cars 和 Caltech-UCSD Birds 200-2011 数据集上进行了广泛的实验，结果表明该模型在低分辨率图像中能更好地分类细分类别。

Mar, 2017

遥感图像无监督深度特征提取分类

介绍单层和深度卷积网络用于遥感数据分析的应用，使用贪婪层次无监督预训练和高效的无监督特征学习算法提取有稀疏特征，结果表明深度架构比单层架构的分类性能更好。

Nov, 2015

一种增强的交通环境低分辨率图像识别方法

低分辨率图像识别中的关键在于特征提取，本文探讨了残差模块的基本维度及其对特征提取和计算效率的影响，并基于实验引入了一种双分支残差网络结构，结合常见特征子空间算法和中间层特征的利用，以提高低分辨率图像在交通环境中的识别精度，并通过知识蒸馏来减少网络参数和计算开销，实验证明该算法在低分辨率交通图像识别中的有效性。

Sep, 2023

CNN 特征在无监督分类方面表现出色

本文旨在探讨深度卷积神经网络特征对无监督问题的可迁移性，并研究不同的预训练卷积神经网络特征提取器对于图像集群聚类和细粒度分类问题的影响，提出结合预训练的 ImageNet 中的深度特征提取和经典的聚类算法管道的分类方法，在图像聚类方面优于现有算法。作者同时在机器人应用中验证了该方法，成功实现了一种智能物体分类和存储的方案。

Jul, 2017

使用双分支深度卷积神经网络架构进行低分辨率人脸识别

本文通过使用深度卷积神经网络和超分辨网络，提出了一种新的低分辨率人脸识别模型，并在 FERET 数据集上进行了评估，结果显示，相较于其他替代方法，本方法在特别是针对非常低分辨率的探测人脸图像时取得了显著的识别性能提高，并能在保证视觉质量等方面达到与超分辨率方法相当的低分辨率图像重建效果。

Jun, 2017

通过预测图像旋转进行无监督表示学习

本研究提出利用 2D 旋转来训练卷积神经网络学习图像特征的无监督语义特征学习方法，并在演示和各种无监督特征学习基准测试中详尽评估该方法，在所有测试中均表现出明显的优异性能。

Mar, 2018

带残差转移网络的无监督域自适应

本文提出了一种可以同时学习源域标记数据和目标域未标记数据的适应分类器和可转移特征的深度网络领域适应新方法。改进了以往方法假设源分类器和目标分类器共享分类器的假设，并通过将多个层的特征与张量积融合并将它们嵌入可再生核希尔伯特空间来匹配特征适应的分布。实验结果表明新方法在标准领域适应基准上优于现有最先进的方法。

Feb, 2016

音乐分类和回归任务的迁移学习

本文介绍了一种基于转移学习的音乐分类和回归任务的方法，使用预训练的卷积网络提取出用于多个层次的特征向量进行音乐分类及回归。经实验证明，相较于传统的低、高层次的音乐特征和 MFCC 特征，使用卷积神经网络 (convnet) 作为特征提取方法的结果更好且具有通用性。

Mar, 2017

具有示例卷积神经网络的判别式无监督特征学习

本文介绍了一种使用无标签数据训练卷积网络的方法，该方法可用于通用特征学习，通过应用多种变换来区分一组代理类别，获得了比监督学习更具鲁棒性的特征表示，能在几个流行数据集上取得胜于现有结果的分类效果。

Jun, 2014