一个用于细粒度视觉分类的新插件模块

Feb, 2022

一个用于细粒度视觉分类的新插件模块

A Novel Plug-in Module for Fine-Grained Visual Classification

Po-Yung Chou, Cheng-Hung Lin, Wen-Chung Kao

TL;DR本文提出了一种新的插件模块，可集成到 CNN 或 Transformer 等常见的后背网络中，输出像素级特征图并融合过滤后的特征以增强细粒度视觉分类，实验结果表明所提出的插件模块优于现有方法，可显着提高准确性。

Abstract

Visual classification can be divided into coarse-grained and fine-grained classification. Coarse-grained classification represents categories with a large degree of dissimilarity, such as the classification of cats and dogs, while fine-grained classification represents classifications with a large degree of similarity, such as cat species, bird species, and

fine-grained visual classification discriminative regions plug-in module pixel-level feature maps cnn-based or transformer-based networks

发现论文，激发创造

通过逐步多粒度拼图块训练进行细粒度视觉分类

本文提出了一种新颖的细粒度视觉分类框架，其中包括渐进式训练策略和随机拼图补丁生成器，以有效地融合不同粒度的特征，并在多个标准的细粒度视觉分类数据集上取得了最先进的性能表现。

Mar, 2020

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

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

超细粒视觉分类的新类别发现

通过使用部分标记数据来识别未标记图像的新类别，本研究引入了一项名为 Ultra-Fine-Grained Novel Class Discovery（UFG-NCD）的新任务，并提出了一种名为 Region-Aligned Proxy Learning（RAPL）的框架，用于解决 Ultra-FGVC 中的挑战。实验表明，RAPL 在各种数据集上显著优于基准方法，显示其在处理 UFG-NCD 挑战方面的有效性。

May, 2024

深度卷积神经网络中使用两级注意力模型进行细粒度图像分类的应用

本文提出了一种使用深度神经网络应用视觉注意力于细粒度分类任务的新管道，通过整合三种类型的注意力，训练领域特定的深度网络，在弱监督约束下避免使用昂贵的注释，并在 ILSVRC2012 数据集和 CUB200_2011 数据集的子集上验证了该方法的有效性，取得了与其他方法相竞争的表现。

Nov, 2014

用大型语言模型实现细粒度视觉识别的民主化

使用大型语言模型作为代理，FineR 在语义细分类别推理方面体现出更好性能，优于几种先进的 FGVR 和语音与视觉助手模型，并展示了在野外和新领域中工作的潜力。

Jan, 2024

大规模细粒度分类和领域特定的迁移学习

本研究提出了一种从大规模数据集到小规模、特定领域细粒度图像分类（Fine Grained Visual Categorization, FGVC）任务的迁移学习方法，并通过 Earth Mover's Distance 提出了一种衡量领域相似度的方法，实现了目标领域与数据源领域之间的知识迁移，得到了最先进的结果。

Jun, 2018

弱监督注意力金字塔卷积神经网络用于细粒度视觉分类

该论文提出了 Attention Pyramid Convolutional Neural Network (AP-CNN) 模型，通过集成低级信息以及 ROI 引导精细调整等策略来提高对物体细分类别的识别准确率。在三个 Fine-grained visual classification 数据集上实验结果表明，该模型能够实现最先进的性能。

Feb, 2020

Finer: 大规模视觉语言模型中细粒度视觉概念识别的研究与增强

最近在指导的大型视觉语言模型方面取得的进展，使得模型能够轻松生成高层次的基于图像的解释。然而，我们的工作揭示了这些模型在细粒度的视觉分类方面的缺陷，并且我们提出了一个多粒度属性为中心的评估基准，用于评估大型视觉语言模型的细粒度视觉理解能力并提供显著改进的可解释性。

Feb, 2024

通过结合视觉和语言进行细粒度图像分类

该论文提出了一种结合视觉和语言的两流模型，通过深度卷积神经网络从原始图像信息中学习深度表示，并利用自然语言描述来编码区分子类的显著视觉方面，从而实现更好的分类精度。

Apr, 2017