基于群组的深度共享特征学习用于细粒度图像分类

Apr, 2020

基于群组的深度共享特征学习用于细粒度图像分类

Group Based Deep Shared Feature Learning for Fine-grained Image Classification

Xuelu Li, Vishal Monga

TL;DR该论文提出了一种新的深度神经网络架构 —— 基于组的深度共享特征学习（GSFL）网络，实现了特征的共享和鉴别性部分的分离，大幅提高了细粒度图像分类的准确率。

Abstract

fine-grained image classification has emerged as a significant challenge because objects in such images have small inter-class visual differences but with large variations in pose, lighting, and viewpoints, etc. Most existing work focuses on highly customized feature extraction via dee

fine-grained image classification deep network architecture shared feature learning discriminative components classification accuracy

发现论文，激发创造

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

动态视觉识别的快速扫描和精确定位网络

本文提出了一个新的序列特征学习方法，Glance and Focus Network（GFNet），用于图像识别问题中的减少空间冗余和时间复杂度的优化，GFNet 采用类似人类视觉系统的粗到细的学习方式处理图像，并通过强化学习的方式定位图像中的显著区域，从而避免了手动标注的需求。实验表明，GFNet 能够大幅度降低 MobileNet-V3 在 iPhone XS Max 上的平均延迟 (1.3x)，而精度没有任何损失。

Jan, 2022

分段分类映射：利用少量示例学习新类别的细粒度学习器

本文提出了一种端到端的可训练深度网络，旨在解决少样本下的细粒度图像识别问题。该网络包括双线性特征学习模块和分类器映射模块，前者将示例图像的区分信息编码为特征向量，后者映射中间特征到新类别的决策边界。我们在三个细粒度数据集上进行了实验，结果表明该方法优于竞争基线。

May, 2018

关系推广少样本学习

本文提出一种基于图卷积的全局原型网络（GcGPN）的图形框架，该框架显式地模拟了联合标签空间中所有已看到和新类别之间的关系，以在全局一致的方式下将新类别嵌入到以前看到的所有类别的现有空间中，为广义小样本学习（GFSL）中的快速适应和全局区分提供了解决方案。

Jul, 2019

在线交互式知识蒸馏的特征融合

本研究提出了一种基于特征融合的学习框架，并通过在线知识蒸馏的方式，让不同子网络分类器之间相互教学，提高融合分类器和每个子网络的性能，多项数据集实验证明了该方法在预测准确性方面的有效性。

Apr, 2019

MMFL-Net: 跨界时尚检索的多尺度和多粒度特征学习

提出了一种新颖的多尺度、多粒度特征学习网络（MMFL-Net），旨在训练一个 C2S 时装视觉相似性的跨领域模型，其中包括对抗域差异的设计和多任务属性识别和分类模块的组合。

Oct, 2022

深度神经网络融合纹理进行图像分类

精细化图像分类任务中，由于不同子类别间视觉差异小、类内变化大，深度学习方法在解决该问题中取得了显著成功。本文提出一种融合方法，通过将全局纹理与局部基于图像块的信息相结合来解决精细化图像分类问题。我们的方法在人脸、皮肤病变、美食、海洋生物等八个数据集上使用四个标准的骨干 CNN 进行了测试，并在分类准确率上取得了优于现有方法显著的提升。

Aug, 2023

图像搜索中深度局部和全局特征的统一

该文提出了一个名为 DELG 的新模型，将全局和本地特征统一为一个深度模型，同时提出了一种自编码器的降维技术，该模型在图像检索和识别方面的表现都达到了最新的水平。

Jan, 2020

用于少样本图像分类的解耦特征表示

本篇论文提出了一种名为 DFR 的新型解缩特征表示框架，它可以适应性地解耦由分类分支建模的有区别性特征和变差分支的类不相关的成分，从而提升了各种少样本任务上深度学习方法的性能，这是通过将其分类分支嵌入 DFR 实现的并在 mini-ImageNet、tiered-ImageNet、CUB 和 FS-DomainNet 等四个数据集上进行了相关实验和测试得出的。

Sep, 2021

精细类别分类的子集特征学习

本文提出了一种基于深度卷积神经网络的学习系统，该系统对视觉相似的类别进行聚类，并学习针对每个子集的特定深度卷积神经网络特征，在测试时不需要边界框。在流行的 Caltech-UCSD 鸟类数据集上，实验证明该方法优于最近的细粒度分类方法，无需边界框，在最困难的情况下达到了 77.5% 的平均准确率，而先前的最佳表现为 73.2%。本文还表明，渐进式迁移学习使我们能够先学习通用领域的特征，然后将其调整到特定的鸟类集合中，从而提高准确性。

May, 2015