Apr, 2024

DP-Net：学习图像识别的区别性部分

PDF
TL;DR该论文介绍了一种具有较强解释能力的深度架构，名为 Discriminative Part Network (DP-Net)，它利用了预训练的卷积神经网络 (CNN) 和基于部分的识别模块。该系统学习并检测图像中在不同类别中具有区别性的部分，无需对 CNN 进行微调，因此比其他基于部分的模型更具可扩展性。虽然基于部分的方法天然提供可解释性的表达，我们提出了图像和类别层面上的解释，并在部分学习过程中引入特定的约束，使其更具区分度。
discriminative part networkdeep architectureinterpretation capabilitiespart-based recognition modulescalable
发现论文，激发创造
  • 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

  • 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

  • Faceness-Net: 基于人脸部位反应的深度人脸检测

    本文提出了一种基于面部属性监督的深度卷积神经网络 (CNN) 进行人脸检测的方法，通过观察 CNN 在对未裁剪的面部图像进行属性分类训练时产生局部探测器的现象，并利用具有局部结构和排列的人脸部分响应的评分机制来寻找人脸，使得该网络能够在面部部分可见的严重遮挡和非约束姿态变化下检测出人脸，实现了在 FDDB、PASCAL Faces、AFW 和 WIDER FACE 等流行基准测试中有着很有希望的性能表现。

    Jan, 2017

  • 基于可变形部件的全卷积网络用于目标检测

    本文提出了 DP-FCN，一种深度学习模型，可专门适应具有可变形部件的对象形状，从而实现目标检测，其主要模块包括：完全卷积网络、基于可变形部件的 RoI 池化层和变形感知定位模块，实验证明 DP-FCN 在 PASCAL VOC 2007 和 2012 数据集上均取得了 83.1% 和 80.9% 的最新性能表现。

    Jul, 2017

  • PDiscoNet：细粒度识别的语义一致性部分发现

    通过使用图像级类别标签和鼓励部件具有判别性、紧凑性、相互区分性、等变性以及在部分图像中激活的先验，我们提出了 PDiscoNet 来发现物体的部件，并且通过适当的损失函数编码这些先验，获得比之前的方法更好的部件发现性能，而不需要额外的超参数调整，并且不影响分类性能。

    Sep, 2023

  • 这像那样：用深度学习进行可解释的图像识别

    介绍了 ProtoPNet，一种深度神经网络架构，该模型通过识别图像的原型部分并将原型部分的证据结合起来，类似于鸟类学家、医生和其他人解决图像分类任务的方式，提供了一定程度的可解释性，并在 CUB-200-2011 数据集和 Stanford Cars 数据集上实现了可比较的准确性。

    Jun, 2018

  • 用 Part-Stacked CNN 进行细粒度视觉分类

    本文提出了一种基于部位的 CNN 模型，在手动标注的强部位注释的基础上，通过模拟物体部件之间微小的差异来显式解释精细分类过程，同时由计算多个物体部分之间的共享策略，提高了效率，并获得了良好的准确度和模型可解释性的实验结果。

    Dec, 2015

  • PARTICLE: 粒子：细粒度识别的部分发现和对比学习

    我们基于自监督学习开发了细粒度分类和分割任务的表示优化技术，通过识别部分特异变化改进了 fine-grained 分类，在卷积和视觉变换网络中聚类像素表示，利用部分中心化学习和对比在图像中对部分进行聚类，并在多个数据集上展示了在图像分类和部分分割任务上的性能提升。

    Sep, 2023

  • 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

  • 基于多重学习的卷积神经网络可解释部件图生长

    该研究提出了一种从预先训练的卷积神经网络中提取对象 - 部分概念的学习策略，通过挖掘预先训练的 CNN 中的潜在模式，并将它们与不同的语义部分关联来逐步在 CNN 上构建一个具有语义解释性的图形模型，以实现层次化的对象理解。

    Nov, 2016