细粒度类别及其发现方法
该研究提出了一种基于粗到细粒度的分类,使用标签表面名称和预训练的生成式语言模型,生成虚假数据训练分类器并用于模型优化,实验证明在两个真实数据集上比零 - shot 分类改进了性能。
Sep, 2021
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
本研究提出了一种新的细粒度类别发现的场景,称为基于粗糙标注的细粒度类别发现 (FCDC),它旨在通过仅使用粗糙标记数据发现细粒度类别,可以适应来自已知类别的不同粒度的类别并降低标记成本,而我们的方法则通过结合自对比学习和有监督学习进行层次加权处理,具有良好的效果和效率。
Oct, 2022
通过最近邻分类器目标和自监督学习的实例损失,结合粗标签和潜在细粒度空间,学习细粒度表示来提高图像检索的精度,从而在 iNaturalist-2018 等五个公共基准上建立了新的最先进技术。
Nov, 2020
本研究提出了一种半监督方法,只需要较少数量的粗粒度类别的边界框注释和大规模细粒度类别的图像级标签,即可实现接近完全监督检测的所有类别的检测精度,包括了使用共享骨干,基于软注意力的候选建议重排和双级存储器模块的相关性。实验证明,这种方法在 ImageNet 和 OpenImages 这两个大规模数据集上,只有少部分类别进行完全注释就能够接近最先进的全监督方法。
Aug, 2019
通过大量实验,我们发现将定制标签应用于 CNN 训练可以显著提高分类精度,优化和泛化能力,并且可以提高 CNN 训练的数据效率。提出了一种度量标准来描述细粒度标签的有效性,并通过大量实验进行了演示。
Jan, 2019
通过使用部分标记数据来识别未标记图像的新类别,本研究引入了一项名为 Ultra-Fine-Grained Novel Class Discovery(UFG-NCD)的新任务,并提出了一种名为 Region-Aligned Proxy Learning(RAPL)的框架,用于解决 Ultra-FGVC 中的挑战。实验表明,RAPL 在各种数据集上显著优于基准方法,显示其在处理 UFG-NCD 挑战方面的有效性。
May, 2024
本文提出了一种使用粗略的分类标签来训练细粒度领域图像分类器的技术,并证明在 Semi-iNat 数据集上实现了显著的性能提升,其中相对增益较大的是在细粒度标签的情况下进行训练和使用半监督学习算法 FixMatch。
Nov, 2021
使用高分辨率图像分类和卷积超分辨率技术相结合的方法,提出了一种用于解决低分辨率图像细节问题的端到端的深度模型,并在 Stanford Cars 和 Caltech-UCSD Birds 200-2011 数据集上进行了广泛的实验,结果表明该模型在低分辨率图像中能更好地分类细分类别。
Mar, 2017