通过深度对象解析实现细粒度少样本识别

Jul, 2022

通过深度对象解析实现细粒度少样本识别

Fine-grained Few-shot Recognition by Deep Object Parsing

Ruizhao Zhu, Pengkai Zhu, Samarth Mishra, Venkatesh Saligrama

TL;DR本文提出了一种基于深度物体解析的细粒度 few-shot 识别方法，在该框架中，我们学习一组模板来解析物体，这些模板在所有实例和类别之间共享，并且在测试实例中使用活动模板和部件位置相对几何匹配的方式进行识别。我们表明该方法具有解释性并且与最先进的方法具有竞争力。

Abstract

We propose a new method for fine-grained few-shot recognition via deep object parsing. In our framework, an object is made up of K distinct parts and for each part, we learn a dictionary of templates, which is sh

few-shot recognition deep object parsing templates end-to-end trainable interpretability

发现论文，激发创造

基于零件的 R-CNN 用于细粒度分类检测

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

全局，实例级人体解析

该论文讨论了通过实例级别的语义部件分割实现目标解析的方法。网络结构由分类级别分割模块以及可处理每个图像中不同数量人体检测结果的差分有条件随机场组成，网络通过单次前向传递输出实例级别部件和人体部分分割结果，同时能够实现有效的目标计数和分类级别部分分割。

Sep, 2017

面向 Few-shot 语义分割的 Part-aware 原型网络

本文提出了一种新的 few-shot 分割框架，基于原型表示，并将整体类表示分解为一组部分感知原型，能够捕捉多样化和细粒度的物体特征。通过利用无标签数据丰富我们的部分感知原型，提高语义对象的内部变化建模。通过在两个基准测试上进行广泛的实验评估，表明我们的方法优于以前的方法。

Jul, 2020

使用开放词汇部分分割技术实现更密集的结果

本文提出了一个具有部分分割能力的检测器，可以通过多粒度对齐来预测开放词汇的物体和它们的部件分割，并通过密集语义对应将新物体解析为其部件。该方法在不同数据集上的实验表现优于基线方法，并且具有更好的数据通用性。

May, 2023

可解释准确的细粒度识别：区域分组方法

本研究提供了一种可解释的深度模型，通过在深层神经网络中将基于区域的部件发现和归因结合起来实现细粒度视觉识别，并通过图像级对象标签进行训练，可以有效地识别图像中的对象部件，提高细粒度识别和对象部件定位的准确性。

May, 2020

基于高层引导的语义部分分割深度学习

本研究探讨了物体分割的任务，通过使用语义分割系统和限制玻尔兹曼机的有益信息，结合 Dense CRF 标签，采用判别式方法提高了语义部分分割的性能，并在 PASCAL 数据集上展示了优越的性能。

May, 2015

DeeperLab：单镜头图像解析器

本文提出了一种单次完整图像解析的方法，将语义分割和实例分割任务整合到一个流畅系统中，通过_DeeperLab_图像解析器实现，可以快速处理并用_PQ_和_PC_度量对_Mapillary Vistas_数据集的结果做出评估。

Feb, 2019

使用弱监督部件检测网络进行部件感知的细粒度对象分类

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

基于多重学习的卷积神经网络可解释部件图生长

该研究提出了一种从预先训练的卷积神经网络中提取对象 - 部分概念的学习策略，通过挖掘预先训练的 CNN 中的潜在模式，并将它们与不同的语义部分关联来逐步在 CNN 上构建一个具有语义解释性的图形模型，以实现层次化的对象理解。

Nov, 2016

不同 iable 的多粒度人类表达式学习，针对实例感知的人类语义分割

本论文提出了一种新的底部向上体系结构，以联合学习类别级人类语义分割和多人姿态估计来解决实例感知的人体部位解析的挑战任务。该框架利用不同人类细粒度上的结构信息，使人员分区的难度降低。通过将联合关联建模为最大权二分匹配，实现了可微分的解决方案，从而使我们的方法具有端到端的可训练性，并且允许将分组误差直接传播到多层次的人类表征学习中。

Mar, 2021