基于部件的模型提高对抗鲁棒性

ICLRSep, 2022

Part-Based Models Improve Adversarial Robustness

Chawin Sitawarin, Kornrapat Pongmala, Yizheng Chen, Nicholas Carlini, David Wagner

TL;DR本文介绍结合人类先验知识和端到端学习以提高深度神经网络的鲁棒性，并引入了一种面向目标分类的基于部件的模型，相较于基准模型 ResNet-50，我们的基于部件的模型在三种数据集上实验表明都具有更高的准确性和更高的适应性。

Abstract

We show that combining human prior knowledge with end-to-end learning can improve the robustness of deep neural networks by introducing a part-based model for object classification. We believe that the richer for

human prior knowledge part-based model object classification adversarial robustness texture bias

发现论文，激发创造

利用人类先验知识识别由构件组成的物体增强深度神经网络的对抗鲁棒性

本研究提出了一种名为 ROCK 的新型目标识别模型，通过前期将目标物品分解成部分再进行评分，最后再进行预测输出，从而实现了对抗鲁棒性。

Dec, 2022

图像分类部件自动发现与优化

本论文介绍了一种可学习的基于特征组的图像分类方法，通过联合学习图像分类器和一组共享的部分来实现，避免了使用引擎启发式算法的过程，并引入了负部分的概念来补足其他方法只寻找正相关性的缺陷。

Dec, 2014

迈向基于开放世界的零件分割

本文提出了一种利用无类别部件分割来减少标注难度并能适用于未知目标的部件分割方法，并通过对象感知性和自监督学习的方式对此进行了改进。

May, 2023

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

PartImageNet: 一个大型、高质量的零件数据集

提出了 PartImageNet 数据集，其中包括了 158 种类别、约 24,000 张图像，是一个大、高质量的数据集，具有像素级部位分割注释，能够用于许多视觉任务，包括对象分割、语义部分分割、少样本学习和部分发现。

Dec, 2021

自底向上的细粒度图像分类中的弱监督互补部件模型

文章介绍了使用弱监督的方法，构建辅助部分模型，检测出深度卷积神经网络忽略的其它目标部分，使用双向 LSTM 将这些互补信息编码为图像综合特征用于图像分类，并在 Stanford Dogs 120、Caltech-UCSD Birds 2011-200、Caltech 256 数据集上实现了显著提升。

Mar, 2019

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

自适应部件的属性识别

本文提出了一种端到端的深度学习方法，通过关键点生成对象部件并进行属性识别，采用多任务学习，实现对象部件和属性识别的联合优化，从而克服了以往基于部件的属性识别方法中存在的部件优化不足的问题，并在两个数据集上进行了广泛的实验验证了该方法的有效性。

Jul, 2016

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

深度卷积神经网络中的零件检测器发现

本文提出了一种基于预训练卷积神经网络的物体部位发现和定位方法 PDD，通过分析网络输出的梯度映射并找到与语义部分或边界框有空间关系的激活中心，实现对 CUB200-2011 数据集进行优秀的监测和分类性能，同时不需要在测试期间给定边界框或计算真假部分。

Nov, 2014