Jul, 2023

变形金刚和卷积模型在昆虫细粒度分类中的比较

PDF
TL;DR在物种鉴定中，细粒度分类是一项具有挑战性的任务。本研究比较了利用转换器层和卷积层的两种深度学习算法在昆虫纲中的表现，发现混合模型在准确性上优于完全卷积模型和完全转换器模型，而完全转换器模型在推断速度上优于其他模型。
fine-grained classificationinsectadeep neural network algorithmstransformer and convolutional layershybrid model
发现论文，激发创造
  • 基于众包昆虫图像的细粒度分类的计算机视觉算法性能

    细粒度分类、物种识别、计算机视觉、深度卷积网络和视觉转换器是本论文的关键词。通过对 9 种算法进行详细评估，论文提供了对昆虫中的细粒度任务解决程度的全面理解，其中视觉转换器在推理速度和计算成本方面表现最佳，而局部性视觉转换器在性能和嵌入质量方面超过其他算法，而卷积神经网络则在指标上具有折中性。

    Apr, 2024

  • Conviformers: 基于卷积引导的视觉 Transformer

    该论文提出了一种新的分类方法，使用 Conviformer 和 PreSizer 处理高维度植物图像，实现细粒度植物图像分类，最终在 Herbarium 和 iNaturalist 数据集上取得了 SoTA 效果。

    Aug, 2022

  • 发挥迁移学习模型的力量进行复杂昆虫检测：革新昆虫分类

    通过使用计算机视觉和机器学习等先进技术，本研究构建并评估了基于 ResNet152V2 架构的卷积神经网络模型，实现了 99% 的训练准确率和 97% 的测试准确率，突出了其在昆虫分类和昆虫学研究中的潜力，以及对全球粮食安全和农业生产的重要作用。

    Jun, 2024

  • 数字病理学中视觉 Transformer 和卷积神经网络的比较研究

    本研究探索了视觉 Transformer 在数字病理学全幻灯片图像中，用于四种组织类型的肿瘤检测和组织类型识别。实验结果表明，在大量未标注全幻灯片图像的预训练下，视觉 Transformer 在肿瘤检测方面比 ResNet18 表现稍好。

    Jun, 2022

  • 昆虫分类的低成本机器视觉

    在环境可持续性领域，保护昆虫的数量和多样性是我们社会最重要的目标之一。本研究提出了一种图像方法作为多传感器系统的一部分，该系统是适应传统捕捉器类型的低成本、可扩展、开源系统。研究结果证明，重新训练后的标准 CNN 架构（如 ResNet50 和 MobileNet）在昆虫分类预测任务中表现非常出色，达到了超过 96％的分类准确率。此外，证明了昆虫图像裁剪对于具有高间类相似性的物种分类是必要的。

    Apr, 2024

  • 使用半监督学习和视觉 Transformer 的细粒度分类迁移学习

    本研究探讨了 Semi-ViT，一种使用半监督学习技术微调 ViT 模型的图像分类方法，该方法更适用于缺乏注释数据的情况，特别是在电子商务等领域。我们的研究发现，即使在有限的注释数据的情况下，Semi-ViT 的性能也优于传统卷积神经网络（CNN）和 ViT。这些发现表明，Semi-ViT 在需要精细分类视觉数据的应用领域具有重要的应用前景。

    May, 2023

  • 探索 Vision Transformers 用于细粒度分类

    研究提出了一种多阶段的 Vision Transformer 框架，用于细粒度图像分类，可在不需要架构变化的情况下定位信息图像区域。 Attention-guided 增强技术提高了模型性能，并在四个流行的细粒度基准测试中进行了实验，同时通过定性结果证明了模型的可解释性。

    Jun, 2021

  • 蚊子价值 16x16 个幼虫：深度学习架构在蚊子幼虫分类中的应用评价

    本研究介绍了视觉变换器在 Aedes 和 Culex 幼虫图像分类中的应用，并比较了两个 ViT 模型、两个 CNN 模型的效果，最终发现 ConvNeXT 对于蚊虫幼虫分类非常有效，未来的研究方向包括将 CNN 和 Transformer 架构相结合创建专门用于蚊虫幼虫分类的模型。

    Sep, 2022

  • Vision Transformer 和卷积神经网络的视觉感知相似吗？

    研究比较了卷积神经网络和 Vision Transformer 模型在图像分类任务中的内部表示结构，发现两种架构存在显著差异，其中 self-attention 在加快全局信息聚合方面发挥着关键作用。此外，预训练数据集规模会对中间特征和迁移学习产生影响。

    Aug, 2021

  • 卷积神经网络或 Transformer 模型更像人类视觉？

    比较了卷积神经网络和注意力网络的性能差异，使用新的指标展示了注意力网络的错误更贴近于人类，这些结果对于构建更人类化的视觉模型以及理解视觉对象识别在人类中的意义具有意义。

    May, 2021