Nov, 2019

学习深度双线性变换以获取细粒度图像表示

PDF
TL;DR本文提出了一种深度双线性变换（DBT）块，可以在卷积神经网络中深度堆叠，以学习细粒度图像表示，其利用双线性变换在每个语义组内计算成对交互的方式，显著减轻了计算成本，能够在 CUB-Bird、Stanford-Car 和 FGVC-Aircraft 等多个细粒度图像识别基准测试中取得新的最佳表现。
bilinear feature transformationdeep neural networksfine-grained image representationsdbt blockconvolutional neural networks
发现论文，激发创造
  • 基于分解二次模型的图像识别

    本文提出基于因式分解的二次双线性层来建模 CNN 中的的成对特征交互，通过将非线性结构的复杂性纳入 CNN 中，使我们的 FB 层只需线性增加参数并具有可负担的计算成本，并采用 DropFactor 这种特殊的方法来进一步降低 FB 层的过度拟合风险，在多个数据集上证明了该模型的有效性，其中包括 CIFAR-10，CIFAR-100 和 ImageNet，较其他各种最先进的深度模型表现出更优越的结果。

    Nov, 2016

  • 紧凑双线性池化

    本研究提出两种紧凑的双线性表示方法，与完整的双线性表示具有相同的判别能力，但仅具有几千个维度。这些紧凑的表示通过对双线性池化的核分析导出，为其他紧凑池化方法的研究提供了平台。实验证明，提出的表示方法对于多个数据集的图像分类和少样本学习都具有实用价值。

    Nov, 2015

  • 双线性卷积神经网络用于细粒度视觉识别

    该论文提出了一种称为 Bilinear 卷积神经网络（B-CNNs）的神经网络模型，通过使用两个卷积神经网络所提取的特征的外积计算来表示图像，并以平移不变的方式捕捉局部特征交互，并在多项图像分类数据集上展示了其在识别精度和速度等方面的优越性。

    Apr, 2015

  • 视频动作识别的时空双线性网络

    本文中，我们提出了一种基于时间序列二次双线性变换的新型 Temporal Bilinear 模型以捕获邻近帧之间的时间序列特征交互，通过在线性复杂度下利用分解的双线性模型和瓶颈网络设计来构建我们的 TB 块，在包含 TB 块和 2D 空间卷积的两种方案中进行了实验比较，在多个广泛采用的数据集上进行了实验证明了我们方法的有效性。

    Nov, 2018

  • 细粒度分类的低秩双线性池化

    通过将局部特征的二阶统计合并为高维双线性特征，使用低秩双线性分类器对协方差特征进行表示，同时提出分类器共分解方法进一步压缩模型，实现细粒度分类任务中公共因子和分类特定项的紧凑表示，可以在保持和超越已有方法精度的情况下获得数量级更小的模型。

    Nov, 2016

  • 层次双线性池化用于细粒度视觉识别

    本文提出了一种新颖的模型，使用交叉层双线性池化和分层双线性池化框架来帮助解决细粒度视觉识别的问题，同时在细粒度识别数据集上达到了最先进水平。

    Jul, 2018

  • 实时图像增强的深度双边学习

    采用新的神经网络结构实现移动图像处理，使用对输入 / 输出图像成对的训练集，预测局部仿射模型的系数，使用新的切片节点对上采样的变换进行边缘保持，对高分辨率图像在智能手机上进行毫秒级的处理，并在大类图像操作中匹配最先进的逼近技术质量。

    Jul, 2017

  • 双线性卷积神经网络实现一对多人脸识别

    研究通过利用卷积神经网络的新架构 —— 双线性 CNN (B-CNN)，在 IARPA Janus 基准测试集上进行面部识别，实现了额外的性能提升，并将标准 CNN 与 VGG-Face 模型进行比较。

    Jun, 2015

  • 使用深度双线性卷积神经网络进行盲图像质量评估

    本篇研究提出了一种用于盲目图像质量评估的深层双线性模型，它适用于合成和真实失真，包括使用卷积神经网络进行预处理和特征提取的方法，并在目标评分数据库上进行深度微调，最终在大规模数据效果表现优越。

    Jul, 2019

  • Bilinear 超对角线融合在视觉问答与视觉关系检测中的应用

    该研究着眼于多模态表征学习中的问题，提出一种基于块超对角张量分解的多模态融合模型 BLOCK，该模型比传统双线性模型具有更好的表达能力和效率，在视觉问答等任务中表现出了优异的结果。

    Jan, 2019