Mar, 2024

GCAM：食品细粒度识别的高斯和因果注意模型

PDF
TL;DR采用高斯和因果关注模型进行细粒度目标识别，使用反事实推理方法解决数据漂移问题，设计可学习的损失策略提高目标识别的准确性。在四个相关数据集上验证了方法，展示了其出色的性能。对于 ETH-FOOD101、UECFOOD256 和 Vireo-FOOD172 数据集，该方法超过了最先进方法；此外，该方法在 CUB-200 数据集上也达到了最新技术水平。
发现论文，激发创造
  • 用于细粒度识别的全卷积注意力网络

    本文提出了一种基于全卷积注意力网络（FCANs）的强化学习框架，用于优化细粒度识别中的局部区域，并避免耗费昂贵的部件注释和定义困难的细粒度类别，该方法在包括 CUB-200-2011、斯坦福狗、斯坦福汽车和 Food-101 等四个基准数据集上得到了证明。

    Mar, 2016

  • 可学习的语义数据增强的细粒度识别

    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。

    Sep, 2023

  • 针对细粒度视觉分类和重新识别的反事实注意力学习

    通过因果推断的反事实关注机制，提高注意力质量和网络预测的准确性，在细粒度图像识别任务中实现了持续稳定的改进。

    Aug, 2021

  • 因果关注用于无偏视觉识别

    本文提出了一种因果关系注意力模块，通过自我注释来识别难以预测的混淆变量，从而使深度学习模型更好地处理在分布不同的情况下仍具备鲁棒性的因果特征，不仅解决了监督注释需要高昂成本、混淆变量难以抽象提取等问题，并在相应实验中得到了卓越的结果。

    Aug, 2021

  • 深度卷积神经网络中使用两级注意力模型进行细粒度图像分类的应用

    本文提出了一种使用深度神经网络应用视觉注意力于细粒度分类任务的新管道，通过整合三种类型的注意力，训练领域特定的深度网络，在弱监督约束下避免使用昂贵的注释，并在 ILSVRC2012 数据集和 CUB200_2011 数据集的子集上验证了该方法的有效性，取得了与其他方法相竞争的表现。

    Nov, 2014

  • 关注激活：用于细粒度图像识别的模块化注意机制

    本文提出利用注意力机制在卷积特征激活层面上进行细粒度图像识别，相对于传统方法，在不需要部分标注的情况下使用低层次特征进行输出概率分配，并在 CIFAR-10、Adience gender recognition task、Stanford Dogs 和 UEC-Food100 等数据集上取得了最先进的分类精度。

    Jul, 2019

  • 细粒度分类中的注意力

    本文在 Ba 等人（2014）的循环神经模型的基础上进行实验，研究了在不受约束的视觉环境下细粒度分类的任务，通过使用较强的视觉网络替代传统的 RNN 结构，并在视觉网络的大规模预训练的情况下训练该模型，成功实现比谷歌网络分类模型更好的效果，并表明该模型能够无需边界框等空间监督，自主学习并区分各类狗的品种，具备对端对端的训练等优势。

    Dec, 2014

  • 出席与修正：一种用于细粒度恢复的门控注意机制

    本研究提出了一种新颖的注意力机制，用于增强卷积神经网络进行精细识别，并通过在不需要部件注释的情况下学习参考低层特征激活来更新和纠正输出的概率分布，实验证明，使用我们的方法增强的网络系统地提高了分类准确率和对干扰的稳健性，因此， Wide Residual Networks 自提出建议以来，在 CIFAR-10、Adience 性别识别任务、斯坦福狗和 UEC 食品 - 100 等方面超越了现有技术的分类精度。

    Jul, 2018

  • 多关注多分类约束用于细粒度图像识别

    本文提出了一种基于注意力机制的卷积神经网络方法，使用一握多激励模块学习每个输入图像的多个注意区域特征，并在度量学习框架中应用多注意力多类约束，通过推拉相同 / 不同注意力类别的特征以实现多个目标区域的协调，并引入 Dogs-in-the-Wild 数据集以促进细粒度图像识别研究。

    Jun, 2018

  • GCA-Net：利用门控上下文注意力提升图像篡改定位和检测效果

    本论文提出一种新颖的门控上下文注意网络（GCA-Net），使用非局部注意机制和门控机制捕捉图像不一致特征，以更好地识别图像中伪造的区域。经过标准图像取证测试，该方法相对于最先进的网络平均值提高了 4.7% 的 AUC，并且对归因具有鲁棒性，并且对误报具有抗性。

    Dec, 2021