该论文提出了一种基于语义部分定位的细粒度分类方法,并通过利用深度卷积特征来克服对象检测困难,同时学习整个对象和零散对象部分的检测器和他们之间的几何约束,从而预测一个细粒度的类别。该方法在不需要在测试时提供包围盒的情况下,通过对 Caltech-UCSD Bird 数据集的实验证明其优于现有细粒度分类方法。
Jul, 2014
该研究通过属性指导下的注意力定位方案设计新的奖励策略,使用强化学习算法定位具有空间和语义区别的局部特征区域,从而在精细识别和属性识别方面超越了传统基于部件的方法。
May, 2016
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
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
本文提出了一种基于部位的 CNN 模型,在手动标注的强部位注释的基础上,通过模拟物体部件之间微小的差异来显式解释精细分类过程,同时由计算多个物体部分之间的共享策略,提高了效率,并获得了良好的准确度和模型可解释性的实验结果。
Dec, 2015
该论文提出了一种新的方法,利用多源数据分析和注意力机制使得深度网络可以在小目标类别和数据不足的情况下,在街树分类问题中取得了较大的进展。
Jan, 2019
我们基于自监督学习开发了细粒度分类和分割任务的表示优化技术,通过识别部分特异变化改进了 fine-grained 分类,在卷积和视觉变换网络中聚类像素表示,利用部分中心化学习和对比在图像中对部分进行聚类,并在多个数据集上展示了在图像分类和部分分割任务上的性能提升。
本文提出了一种新颖的端到端 Mask-CNN 模型,旨在解决细粒度图像识别中的挑战,这个模型基于细粒度图像的部件注释,通过卷积网络定位亚区别的部件并生成对象 / 部件掩模,实现对有用和有意义的卷积描述符的选择并聚合在一起,此模型相对于现有最先进的细粒度方法具有参数最少、特征维度最低和最高的识别准确性。
本文提出了一种全卷积网络的方法,通过部位定位和关键点标注来实现表观的转化,以有效解决姿态变化和外观上的微妙差异在微细分类中的挑战。在 CUB200 测试集中表现出最新的性能,为强监督发挥了重要作用。
Nov, 2015
本文提出了一种基于预训练卷积神经网络的物体部位发现和定位方法 PDD,通过分析网络输出的梯度映射并找到与语义部分或边界框有空间关系的激活中心,实现对 CUB200-2011 数据集进行优秀的监测和分类性能,同时不需要在测试期间给定边界框或计算真假部分。
Nov, 2014