AAAIFeb, 2020

学习细粒度分类的关注对交互

PDF
TL;DR本文提出了一种基于对比线索和对图片对之间交互的注意力方法的细粒度图像分类方法 (API-Net)，使用互补特征向量来捕捉输入对中的语义差异，并通过逐步交互以注重对比线索，同时采用得分排名规则进行端到端培训，实验结果表明超越了先前最先进的方法。
fine-grained classificationdiscriminative representationattentive pairwise interaction networkcontrastive cluesscore ranking regularization
发现论文，激发创造
  • 关注池化网络

    我们提出了一种名为 Attentive Pooling 的方法，可用于在神经网络中进行排名或分类，并且能够学习一种类似度量，以便使得输入内容能够影响彼此的表示，并引导池化。我们在三个基准任务中得到了最新的实验结果，并优于各种强基线模型。

    Feb, 2016

  • 通道交互网络用于细粒度图像分类

    本研究提出一种名为 CIN 的模型， 结合自通道交互 (SCI) 和对比通道交互 (CCI) 模块， 进行细粒度图像分类。实验结果表明，该模型在公开基准测试中比 DFL-CNN 和 NTS 方法表现更好。

    Mar, 2020

  • 面向细粒度视觉分类的上下文感知注意池化 (CAP)

    提出了一种基于上下文感知的注意力池化（CAP）方法和特征编码技术，可以有效地捕获子像素梯度，无需边界框和 / 或可区分的部分注释，从而学习关键部位的特征表示。经过在六个最先进的骨干网络和八个基准数据集上的评估，该方法在六个数据集上表现显著优于最先进的方法，并且在其余两个数据集上非常有竞争力。

    Jan, 2021

  • 深度卷积神经网络中使用两级注意力模型进行细粒度图像分类的应用

    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

  • 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

  • 弱监督注意力金字塔卷积神经网络用于细粒度视觉分类

    该论文提出了 Attention Pyramid Convolutional Neural Network (AP-CNN) 模型，通过集成低级信息以及 ROI 引导精细调整等策略来提高对物体细分类别的识别准确率。在三个 Fine-grained visual classification 数据集上实验结果表明，该模型能够实现最先进的性能。

    Feb, 2020

  • 用于细粒度识别的全卷积注意力网络

    本文提出了一种基于全卷积注意力网络（FCANs）的强化学习框架，用于优化细粒度识别中的局部区域，并避免耗费昂贵的部件注释和定义困难的细粒度类别，该方法在包括 CUB-200-2011、斯坦福狗、斯坦福汽车和 Food-101 等四个基准数据集上得到了证明。

    Mar, 2016

  • 使用弱监督部件检测网络进行部件感知的细粒度对象分类

    该研究提出了一种弱监督的部件检测网络（PartNet），能够检测出细粒度分类所使用的具有辨别力的局部部分，在 CUB-200-2011 和 Oxford Flower 102 数据集上实现了最新的最高性能。

    Jun, 2018

  • 遥感场景分类的成对比较网络

    本论文提出了一种基于成对比较网络的遥感场景分类方法，该网络通过自表示和互表示来捕捉图像之间的微妙差异，实现了遥感图像场景分类任务的显著提升。

    May, 2022

  • 用于少样本细粒度图像分类的低秩成对对齐双线性网络

    本文提出了一种名为 LRPABN 的低秩双线性网络，用于解决挑战性的少样本学习下的细粒度分类问题，该模型通过双线性池化操作和特征对齐层学习一个有效的距离度量，并在四个细粒度分类数据集上表现出卓越的性能。

    Aug, 2019