属性混合：用于细粒度识别的语义数据增强

Apr, 2020

属性混合：用于细粒度识别的语义数据增强

Attribute Mix: Semantic Data Augmentation for Fine Grained Recognition

Hao Li, Xiaopeng Zhang, Hongkai Xiong, Qi Tian

TL;DR本文提出了一种数据增强策略 Attribute Mix，通过属性级别的数据增强方法，利用自动属性挖掘技术扩展细粒度样本，从而显著提高图像识别性能。同时基于属性的共享特点，在广义域的图像上训练可扩展属性级别的标签。实验证明了该方法的有效性。

Abstract

Collecting fine-grained labels usually requires expert-level domain knowledge and is prohibitive to scale up. In this paper, we propose Attribute Mix, a data augmentation strategy at attribute level to expand the fine-grained samples. The principle lies in that attribute features are s

fine-grained labels data augmentation attribute mining recognition performance training samples

发现论文，激发创造

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

SnapMix：用于增广细粒度数据的语义比例混合

本文提出了一种基于类激活图（CAM）的新方案，名为 Semantically Proportional Mixing（SnapMix），以减少在增广精细数据时的标签噪声。与现有的基于混合的方法相比，实验证明我们的方法在多个数据集和不同网络深度下表现更好。

Dec, 2020

野外环境下的细粒度识别：一种多任务域自适应方法

本研究探讨了细粒度领域适应的概念并提出了基于属性的多任务适应损失来解决现有细粒度目标识别模型无法准确分类野外图像的问题，通过在一组新的细粒度数据集上的实验证明了该算法可以显著提高准确性。

Sep, 2017

用于属性改进的属性：属性分类的多任务网络

通过使用多任务深度卷积神经网络 (MCNN)，共享所有属性的最低层，共享相关属性的更高层，并在 MCNN 上构建辅助网络以利用所有属性的分数来提高每个属性的最终分类，我们可以利用属性关系来提高属性分类器的准确性。我们在两个具有挑战性的公开数据集上展示了我们方法的有效性。

Apr, 2016

细粒度表示学习的属性感知注意力模型

本文提出一种新颖的 Attribute-Aware Attention Model（A^3M）模型，可以同时学习局部属性表示和全局类别表示，通过属性 - 类别互惠过程，从而更好地提取图像中的固有信息，以实现更好的图像识别效果。

Jan, 2019

AGA: 属性引导增强

该研究提出了基于属性引导的数据增强方案 (AGA)，采用深度编码器 - 解码器架构来学习综合函数，以在 1-shot 对象识别和场景识别问题中改善模型在分类任务上的性能。

Dec, 2016

ClassMix: 基于分割的数据增强用于半监督学习

本文介绍了一种针对语义分割任务的数据增强方法 ——ClassMix，其通过混合未标记的样本来生成增强，并通过利用网络对对象边界的预测来保证增强的有效性，在两个常用半监督语义分割基准测试中表现出了最先进的结果，并提供了详细的消融研究和不同设计和培训方式的比较。

Jul, 2020

深度时尚图像的细粒度属性识别注释改进

该研究旨在通过选择具有足够图像数量的类别，删除非常稀少的属性以及在每个类别中合并重复属性，为细粒度属性识别任务量身定制 DeepFashion 数据集，并使用成对排名损失函数的双线性卷积神经网络进行多标签细粒度属性识别，提高了结果，并提供了每个所选类别的详细注释。

Jul, 2018

面向大规模精细图像检索的属性感知深度哈希与自一致性

本研究提出了一种面向大规模细粒度图像检索的属性感知哈希网络，通过生成属性感知哈希码，既能提高检索效率，又能建立哈希码和视觉属性之间的明确对应关系。在无监督的条件下，通过注意力捕获视觉表征并开发一个编码器 - 解码器结构网络的重构任务，从外观特定的视觉表征中提取高层次的属性特定向量，进一步通过特征去相关性约束来增强它们的代表性。通过保持原始实体的相似性，可以从这些属性特定向量生成所需的哈希码，从而成为属性感知的哈希码。在六个细粒度检索数据集和两个通用检索数据集上进行了全面的定量实验证明了我们模型相对于竞争方法的优越性。

Nov, 2023

自动发现、关联估计和学习语义属性：千种类别

本文提出了一种端到端的无监督属性学习方法，利用在线文本语料库自动发现与人类概念语义属性相关的显著且有区分度的词汇，并针对文本中的噪声和缺失数据，提出了一个深度卷积模型来优化课程 - 属性关联。实验证明，该方法能够有效地在大规模数据集上发现和学习语义属性，并且在 ImageNet、Animals 较 Attributes 和 aPascal/aYahoo 三个数据集上优于现有技术的零样本学习效果。

Apr, 2017