基于注意力正则化的半监督粗分辨率数据分类
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
本文提出利用注意力机制在卷积特征激活层面上进行细粒度图像识别,相对于传统方法,在不需要部分标注的情况下使用低层次特征进行输出概率分配,并在 CIFAR-10、Adience gender recognition task、Stanford Dogs 和 UEC-Food100 等数据集上取得了最先进的分类精度。
Jul, 2019
本文提出了一种使用深度神经网络应用视觉注意力于细粒度分类任务的新管道,通过整合三种类型的注意力,训练领域特定的深度网络,在弱监督约束下避免使用昂贵的注释,并在 ILSVRC2012 数据集和 CUB200_2011 数据集的子集上验证了该方法的有效性,取得了与其他方法相竞争的表现。
Nov, 2014
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
本研究提出了一种基于深度学习的共同关注网络,用于多模态数据的子空间学习,能够提取共性信息和补充信息,并通过协同关注机制向最终用户提供预测的解释。通过引入分类器和交叉重构损失以优化潜在表示和加速收敛速度,最终在合成数据和实际数据集上进行了广泛评估。
Feb, 2021
本文提出了自我增强注意力机制的方法,针对少样本学习情况下细粒度视觉识别的问题,在学习中生成注意力地图用于特征提取,实现对样本之间和分类之间共享的关键区域的专注,得到了在低数据情况下明显提高的结果。
Aug, 2022
本文提出了一种统一的深度神经网络模型,旨在解决多标签图像分类中标签的空间关系的问题。同时,该模型能够有效地利用语义和空间关系来提高分类性能,且只需要使用图像级别的监督信息进行端到端训练。实验表明,该模型在多个公共数据集上均具有较强的泛化能力,并且明显优于其他同类模型。
Feb, 2017
本文在 Ba 等人(2014)的循环神经模型的基础上进行实验,研究了在不受约束的视觉环境下细粒度分类的任务,通过使用较强的视觉网络替代传统的 RNN 结构,并在视觉网络的大规模预训练的情况下训练该模型,成功实现比谷歌网络分类模型更好的效果,并表明该模型能够无需边界框等空间监督,自主学习并区分各类狗的品种,具备对端对端的训练等优势。
Dec, 2014