Sep, 2023

可学习的语义数据增强的细粒度识别

PDF
TL;DR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。
fine-grained image recognitionvisual cuesdata augmentationcovariance prediction networkgeneralization performance
发现论文，激发创造
  • 语义感知细粒度对应

    本文提出了一种语义感知的细粒度对应方法，该方法融合了基于图像和基于像素的自监督学习方法来提高任务的性能，在视频对象分割、人体姿态跟踪和人体部分跟踪等视觉对应任务上超过了以往基于卷积神经网络的最新自监督方法。

    Jul, 2022

  • 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

  • 语义聚类用于鲁棒细节场景识别

    本文提出一种新颖的领域泛化方法，用于解决细粒度场景识别中的问题，并验证了该方法的有效性。

    Jul, 2016

  • 野外环境下的细粒度识别：一种多任务域自适应方法

    本研究探讨了细粒度领域适应的概念并提出了基于属性的多任务适应损失来解决现有细粒度目标识别模型无法准确分类野外图像的问题，通过在一组新的细粒度数据集上的实验证明了该算法可以显著提高准确性。

    Sep, 2017

  • 详细强化扩散模型：少样本条件下的增强细粒度视觉分类

    为了解决有限样本数据情况下对细粒度视觉识别任务的困难，我们提出了一种新的方法，称为细节增强扩散模型（DRDM），通过两个关键组成部分 —— 有辨别力的语义重组（DSR）和空间知识引用（SKR），有效地利用大型模型的知识来解决数据稀缺性问题，并在细粒度视觉识别任务中取得了改进的性能。

    Sep, 2023

  • 基于数据驱动的元集合细粒度视觉分类

    通过学习元数据集并应用数据驱动的元集合方法，我们可以解决使用网络图像进行细粒度图像识别时带有标签噪声的问题，并且相比于现有噪声鲁棒性方法，我们的方法要优越得多。

    Aug, 2020

  • 面向视觉识别的细粒度图像转换

    本研究针对图像变换任务中的身份标签保留问题，通过对生成对抗网络的模型改进，提出了一种保留输入图像身份的图像变换方法，并在 CompCars 和 Multi-PIE 数据集上进行了大量实验证明了模型的实际效用，尤其是在细粒度少样本学习任务上。

    Jan, 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

  • 噪声数据对精细识别的非合理有效性

    利用简单通用的识别方法和网络上的免费嘈杂数据，成功规模扩展到 10,000 多个类别，不需要手动收集标签，取得超过现有各领域最佳记录的 92.3%、85.4%、93.4% 和 80.8% 的 top-1 准确率

    Nov, 2015

  • 属性混合：用于细粒度识别的语义数据增强

    本文提出了一种数据增强策略 Attribute Mix，通过属性级别的数据增强方法，利用自动属性挖掘技术扩展细粒度样本，从而显著提高图像识别性能。同时基于属性的共享特点，在广义域的图像上训练可扩展属性级别的标签。实验证明了该方法的有效性。

    Apr, 2020