SR-GNN: 面向细粒度图像分类的空间关系感知图神经网络

Sep, 2022

SR-GNN: 面向细粒度图像分类的空间关系感知图神经网络

SR-GNN: Spatial Relation-aware Graph Neural Network for Fine-Grained Image Categorization

Asish Bera, Zachary Wharton, Yonghuai Liu, Nik Bessis, Ardhendu Behera

TL;DR本文介绍一种有效的方法，通过聚合来自最相关的图像区域的上下文感知特征及其在区分细粒度类别中的重要性来捕获细微变化，避免边框和 / 或可见部分注释，并通过自我关注和图形神经网络的最新进展来包括一种简单而有效的关系感知特征变换及其在端到端学习过程中的性能评估。评估了我们的模型，发现其在八个细粒度对象和人类对象交互数据集上的识别准确性显著优于现有技术。

Abstract

Over the past few years, a significant progress has been made in deep convolutional neural networks (CNNs)-based image recognition. This is mainly due to the strong ability of such networks in mining discriminative object pose and parts information from texture and shape. This is often inappropriate for →

deep convolutional neural networks fine-grained visual classification context-aware features self-attention graph neural networks

发现论文，激发创造

LatentGNN：学习高效非局部关系以用于视觉识别

该研究提出了一种基于图神经网络和潜在空间的方法，以降低图的复杂度从而实现对视觉特征的非局部关联表示，并在三项主要的视觉识别任务上展示了其具有较高的性能和较低的计算成本。

May, 2019

一种关系增强的全卷积网络用于航空场景的语义分割

本研究提出了空间关系模块和通道关系模块，可用于学习和推理任何两个空间位置或特征图之间的全局关系，并产生关系增强的特征表示。研究团队在利用两个航空图像数据集进行的语义分割任务中使用这些模块，取得了相当优异的结果，比基准模型有显著提升。

Apr, 2019

关注关系网络：将图像映射到场景图

本研究提出了一种新颖的基于注意力机制的关系网络，其包含两个关键模块和一个目标检测主干以实现场景图自动生成，并在 Visual Genome 数据集上进行了实验验证其有效性和优越性。

Nov, 2018

基于图的全局推理网络

该研究提出了一种名为 GloRe 的全局推理单元，实现了卷积神经网络对于远距离区域之间的全局关系的建模，能够有效提升图像识别、语义分割和视频行为识别等计算机视觉任务的性能。

Nov, 2018

图像场景图生成的图卷积神经网络

提出了一种新颖的场景图生成模型 ——Graph R-CNN，其在检测图像中的对象和它们之间的关系方面既有效又高效。该模型包含一种关系提议网络（RePN），能够有效地处理图像中潜在关系的二次数量。同时，我们提出了一种注意力图卷积网络（aGCN），有效地捕捉对象和关系之间的上下文信息。最后，我们引入了一种比现有指标更全面、更实际的评估方法。我们使用现有指标和我们提出的评估方法评估场景图生成，获得了最先进的性能。

Aug, 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

多粒度推理用于图像社交关系识别

本研究提出了一种基于多粒度推理的社交关系识别框架，包括全局知识，中层细节和细粒度姿态关键点。研究设计了基于姿态指导的人物对象图和人物姿态图来建模人物到对象的动作和配对人物之间的交互，并借助图卷积网络进行社交关系推理。实验结果表明提出的框架在两个公共数据集上具有较高的效果。

Jan, 2019

空间分组增强：改进卷积神经网络中的语义特征学习

本文提出了一种基于空间组别增强（SGE）的卷积神经网络模块，通过生成每个语义组中每个空间位置的注意力系数来调整每个子特征的重要性，可以在仅接受类别监督训练的情况下显著提高图像识别任务的性能。

May, 2019

一种新的特征混淆方法揭示了卷积神经网络学习空间关系的能力

该研究使用特征打乱的方法，结合 CNNs 的最小可识别构型分析和有效接受域尺寸的系统控制，探索了 CNNs 在对象分类中是否使用特征的空间排列，并且发现它们实际上能够利用相对较远的空间关系进行对象分类，同时证明 CNNs 使用的空间关系程度非常依赖于特定数据集和该数据集中不同类别对象的分类策略也不同。最后，研究还发现 CNNs 只能学习特征的中间粒度的空间排列，这提示了在对象分类中中间层次的形状特征提供了敏感度和特异性之间的最佳平衡点。

Dec, 2022

粒度太粗糙：一种新的数据中心方法，用于高效生成场景图

本文提出一项名为 “Efficient SGG” 的任务，旨在优先生成相关关系以及提供一个新的数据集 VG150，以支持在图像生成等下游任务中利用场景图。通过一系列实验，我们证明 VG150 数据集比通常在场景图生成方法中采用的数据集包含更高质量和多样性的注释。

May, 2023