May, 2020

TOAN：针对少标注样本的细粒度图像分类的目标导向对齐网络

PDF
TL;DR本研究提出了一种面向目标的对齐网络（TOAN），通过在嵌入特征空间中将每个支持图像的特征转换以匹配查询图像，并通过将组合概念表示集成到全局二阶池化中来生成具有区分性的细粒度特征，以处理 Fine-Grained 分类问题下的小样本学习。实验表明，TOAN 相对于现有的 Fine-Shot 阶段方法和最新的模型更为有效。
fine-grained visual categorizationfew-shot settingtarget-oriented alignment networkdiscriminative fine-grained featuresstate-of-the-art models
发现论文，激发创造
  • 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

  • 用于细粒度少样本分类的变分特征解缠方法

    本文研究了如何通过增大少样本学习中的类内方差，以提高图像的分类效果，通过变分推断的方式将类内方差分布从基本集合转移到新集合中。实验结果表明，在具有挑战性的细粒度少样本图像分类基准上，该方法在状态 - of-the-art 的方法上有明显提升。

    Oct, 2020

  • Few-Shot 细粒度图像分类的对象感知长短程空间对齐

    该论文提出了一种物体感知的远近距离空间对齐方法，通过 FOE 模块增强前景物体响应、LSC 模块学习可转移的远距离语义对齐和 SSM 模块对查询特征进行短距离精细对齐，以实现在小样本情况下对罕见细粒度目标的检测和识别。

    Aug, 2021

  • 细粒度角度对比学习与粗标签

    本文介绍了一种新的模块 “角规范化”，通过将监督和自我监督对比预训练相结合，以应对粗 - 细 Few-Shot 任务，取得了显著的改进，并帮助开拓了这个实际应用主题的研究领域。

    Dec, 2020

  • 跨粒度少样本学习：结合视觉 - 语义元嵌入的粗 - 精伪标记

    本文提出了一种基于元学习的跨层级少样本分类方法，通过基于图像嵌入的贪心聚类来近似细粒度标注，同时引入元嵌入器使得模型可以在训练时仅观察粗略标签，并在测试时执行细粒度分类，实验结果表明该方法的有效性和鲁棒性。

    Jul, 2020

  • 视觉 - 语义对比对齐在小样本图像分类中的应用

    本文介绍了一种对称的对齐机制，用于学习从极少的例子中获取更广义的视觉概念的方法。实验结果表明，该方法是通用的，并提供了一个强大的基准。

    Oct, 2022

  • 面向弱监督时空语言联系的细粒度语义对齐网络

    本篇论文提出了一种新的候选不受限制的方法 ——Fine-grained Semantic Alignment Network（FSAN），用于弱监督的 Temporal Language Grounding 任务，在两个广泛使用的基准测试中取得了最先进的性能。

    Oct, 2022

  • 基于显著性引导的少样本细粒度视觉识别互学习网络

    本文提出了一种名为 SGML-Net 的框架，用于 few-shot 细粒度视觉识别。它通过利用显著性检测模型强调每个子类别的关键区域，提供了代表性学习的强大先验知识，并在互相学习的范式下实现了有效的转移。实证评估表明，所提出的方法具有优越的性能。

    May, 2023

  • 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

  • 一次性细粒度实例检索

    本文提出了一个称为 One-Shot Fine-Grained Instance Retrieval (OSFGIR) 的检索任务，并介绍了一个辅助数据集（OSFGIR-378K dataset）。最后，提出了一个由三个组成部分（粗糙检索，细粒度检索和查询扩展）组成的粗糙到细糙的检索框架，通过 OSFGIR 方法，在没有完整训练集的情况下进行大规模细粒度物体识别，并实验证明比现有 FGVC 和图像检索方法更准确和有效。

    Jul, 2017