CVPRApr, 2021

可微分的图像识别补丁选择

PDF
TL;DR通过不可区分的 Top-K 算子选择图像中最相关的部分，以高效处理高分辨率图像。 该方法可以与任何下游神经网络接口，以灵活的方式聚合不同补丁的信息，并允许整个模型使用反向传播进行端到端训练。该结果适用于交通标志识别，补丁之间的关系推理以及在训练期间不使用对象 / 部件边界框注释的细粒度识别。
发现论文，激发创造
  • 高分辨率图像识别的迭代补丁选择

    提出一种名为 Iterative Patch Selection (IPS) 的简单方法，该方法仅选择最显着的补丁，将其聚合成用于图像识别的全局表示，从而可以在硬件限制下处理任意大小的图像，展现出强大的性能和广泛的适用性，同时使用最少的加速器内存。

    Oct, 2022

  • 少样本图像分类的类相关补丁嵌入选择

    我们提出了一种有效的图像分类方法，通过从前景和背景元素中选择相关特征和使用预训练的 Vision Transformer (ViT) 对图像进行编码，然后通过筛选类相关的补丁嵌入来改善预训练模型的性能，并在流行的少样本分类基准测试中超过了现有的基线。

    May, 2024

  • 基于块状生成的记忆高效扩散概率模型

    本文提出了一种将扩散概率模型分成块进行图像生成的方法，使用一种称为 Global Content Conditioning 的条件方法，可在减少内存消耗 50％的情况下保持图像质量相当的质量。

    Apr, 2023

  • 高效决策型黑盒补丁攻击

    本文提出了一种增强的基于对抗样本攻击方式，并探索了不依赖于网络输出数量的决策性基于修补程序的攻击方法，使用称为 DevoPatch 的差分进化算法。实验证明 DevoPatch 优于现有方法，在给定查询预算内攻击成功率更高。

    Jul, 2023

  • 视觉系统的资源高效感知

    应对高分辨率图像处理中的计算挑战，提出了一种利用内存高效的基于块处理的框架，通过全局上下文表示和局部块信息实现对图像内容的全面理解，并在不受内存限制的情况下对超高分辨率图像进行训练，在分类、目标检测和分割等七个基准测试中取得了卓越性能，甚至在像 Jetson Nano 这样的资源受限设备上也能表现出色。

    May, 2024

  • 深度卷积核方法中贴片的不合理有效性

    在卷积内核方法中进行了数据组成特征提取的重要性研究，提出了一个数据驱动的卷积内核方法，通过对其效果进行广泛的研究，证明该方法已经在 CIFAR-10 分类准确性方面取得了与之前更复杂的卷积内核方法相同的准确性，将该方法扩展到 ImageNet 数据集，证明了该方法可以超越所有现有的非学习表示方法，成为目标识别的新基准。

    Jan, 2021

  • 弱监督目标分类和发现的深度补丁学习

    本文提出了一种基于弱监督的学习方法，通过将图像视为一个包中的实例将其融入到深度神经网络中，将弱监督的多实例学习约束与深度神经网络集成在一起，并采用端到端的方式优化网络以实现对象分类和发现任务。在 PASCAL VOC 数据集上的测试表明，该方法在对象分类方面可以获得最先进的性能，并且在对象发现方面也具有很强的竞争力，并且测试速度比竞争者更快。

    May, 2017

  • 带有空间先验的卷积补丁网络用于道路检测和城市场景理解

    本文介绍了用于图像补丁分类的卷积补丁网络，并展示了如何将补丁的空间信息作为网络输入以学习空间先验知识，从而应用于道路检测和城市场景理解，成为 KITTI 和 LabelMeFacade 数据集上最先进的方法之一，同时为需要训练 CNs 的人提供了解决方案。

    Feb, 2015

  • 基于补丁的早期目标检测选择和优化

    提出了一种基于变压器网络和扩散模型的算法，通过将图像分割成多个补丁，并选择具有不同尺度物体的补丁，详细说明小对象的细节，并尽早检测出来，以提高小目标的检测准确性和效率。

    Nov, 2023

  • Patchwork: 基于分块注意力网络的视频流高效物体检测和分割

    本文提出一种针对延迟敏感应用的硬关注机制，通过选择和处理框架的一个小子窗口，预测整个框架的结果，使得该方法在不影响准确性的前提下减少了大约四倍的延迟，并且使用特殊的内存单元和策略训练策略进一步提高了性能。

    Apr, 2019