BSNet: Bi-Similarity Network for Few-shot Fine-grained Image Classification笔记

最新推荐文章于 2024-09-06 10:13:51 发布
最新推荐文章于 2024-09-06 10:13:51 发布
阅读量1.2k 收藏 2
点赞数
分类专栏： AI 文章标签： 深度学习 机器学习 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_30080829/article/details/113983944
版权

方法：embedding module 提取特征，然后通过Bi-Similarity module双相似度模块来计算得分然后取均值

 

数据集: FGVC-Aircraft, Stanford-Cars, Stanford-Dogs and CUB-200-2011

类别:train:val:test = 2:1:1

尺寸:84*84，不使用边框

trained from scratch

backbone: Conv4, Conv64F

结果

燃烧橙
关注
专栏目录
读论文：Fine-grained Image Classification via Combining Vision and Language
dorisx的博客
02-04 681
读论文：Fine-grained Image Classification via Combining Vision and Language 文章目录一、概述二、本文贡献三、网络结构1.目标定位2.视觉流3.语言流4.整体结构四、数据集五、原文链接 一、概述 大多数现有的细粒度图像分类方法都通过学习目标局部信息来实现更好的分类精度。但是存在两局限性。1.并不是所有的局部信息对于模型的学习都是有益处且必不可少的。2.细粒度图像分类需要的更详细的视觉描述，不能由局部位置或属性注释提供。针对以上两点局限，本文提
论文解读：BS-Nets: An End-to-End Framework For Band Selection of Hyperspectral Image
m0_48364127的博客
06-04 1513
BS-Nets: An End-to-End Framework For Band Selection of Hyperspectral Image 选用波段选择的原因：保留了包含在HSI中的主要物理属性，鲁棒性强。 波段选择分为有监督和无监督：无监督又可分为基于排序和基于聚类。基于排序的无监督波段选择方法主要是根据某个度量准则来评价每个波段的重要性，如非高斯度，方差，互信息等；基于聚类的无监督波段选择方法以最小化类内的方差，最大化类间的方差为目标将波段分成不同的类，然后在每个类中选择出聚类中心作为最有代表
Bsnet:Bi-Similarity Network for Few-shot Fine-grained Image Classification论文复现
hb_learing的博客
04-05 1624
Benet::Bi-Similarity Network for Few-shot Fine-grained Image Classification
CUB-200-2011数据集及该格式自己数据集制作
最新发布
MayYou_SSS的博客
09-06 1264
除了类别标签外，数据集还提供了鸟类的多个细粒度标注信息，包括15个关键点（如嘴、眼睛、翅膀等）、312个二值属性（如颜色、形状等）和鸟类所在的边界框。- **预训练模型**: 可以使用预训练的深度学习模型（如YOLO、Faster R-CNN等）进行自动标注，尤其是边界框和关键点标注。- **attributes/attributes.txt (可选)**: 如果你有属性标注，可以在这里指定每张图像的属性。- **标注一致性**: 确保不同标注人员的标准一致，可以通过制定详细的标注指南来实现。
BSnet 布尔结构化深度学习网络
sinat_65949079的博客
01-18 414
我发明了一个基于单调电路布尔代数（monotone circuit Boolean algebra)的深度学习网络(deep learning network)。它没有卷积层(convolutional layers)。相反，它具有完全连接的层(fully connected layers)。布尔结构设计可防止过拟合(overfitting)。 微云文件分享:2212.0193v1.pdf下载地址:https://share.weiyun.com/htk7F5Ci文件大小:566.0K BSnet 文章
BS.net程序员
suhua6240296ap的专栏
09-21 254
招聘B/S.NET程序员3名，主管一名，要求如下： （一）职位描述如下： 1、按需求按时有质量的完成指定的开发工作； 2、参与数据库、报表相关任务的开发、实施、维护工作； 3、参与项目的开发、测试、实施、服务工作； 4、参与软件开发文档的编写。 （二）职位要求
3D实例分割BSNet：使用弱监督学习实现生成伪标签，解决标签重叠的问题
自动驾驶实战
08-09 683
3D实例分割（3DIS）是一项关键任务，但在全监督设置中进行点级注释非常繁琐。因此，使用边界框（bboxes）作为注释显示出了巨大的潜力。目前的主流方法是两步过程，包括从边界框注释生成伪标签，然后用伪标签训练3DIS网络。然而，由于边界框之间的交叉存在，不是每个点都有确定的实例标签，尤其是在重叠区域。为了生成更高质量的伪标签并实现更精确的弱监督3DIS结果，我们提出了用于3D实例分割的基于盒监督的模拟辅助平均教师（BSNet），其设计了一种名为模拟辅助Transformer的创新伪标签生成器。
经典卷积神经网络
qq_43684686的博客
04-25 285
经典卷积神经网络 LeNet-5 60k参数。网络基本架构为：conv1 (6) -> pool1 -> conv2 (16) -> pool2 -> fc3 (120) -> fc4 (84) -> fc5 (10) -> softmax。括号中的数字代表通道数，网络名称中有5表示它有5层conv/fc层。当时，LeNet-5被成功用于ATM以对支票中的...
【小样本分割】MSANet: Multi-Similarity and Attention Guidance for Boosting Few-Shot Segmentation
栗子菜菜
07-26 3390
小样本分割的目的是在只有少量密集标记样本的情况下分割看不见的类对象。原型学习，即从支持图像中提取的特征通过平均全局和局部对象信息生成单个或多个原型，已广泛应用于FSS。然而，仅利用原型向量可能不足以表示所有支持图像的特征。为了提取丰富的特征并进行更精确的预测，我们提出了一种多相似性和注意力网络（MSANet），包括两个新模块，一个多相似性模块和一个注意力模块。多相似度模块利用支持图像和查询图像的多个特征图来估计准确的语义关系。注意力模块指示MSANet专注于与类别相关的信息。httpshttps。...
Learning Multi-Attention Convolutional Neural Network for Fine-Grained Image Recognition
Hi_Bitch的博客
06-28 1225
《Learning Multi-Attention Convolutional Neural Network for Fine-Grained Image Recognition》是微软亚洲研究院在ICCV2017年出的一篇细粒度图像识别论文，它的姊妹篇是《Look Closer to See Better: Recurrent Attention Convolutional Neural Net...
【论文笔记】PARN: Position-Aware Relation Networks for Few-Shot Learning
Neal_YG的博客
03-07 1601
【title】PARN: Position-Aware Relation Networks for Few-Shot Learning 【link】https://arxiv.org/pdf/1909.04332.pdf 【key words】Few-shot Learning Problem 对于人类来说，可以通过已经掌握的知识，快速学会判别新东西。然而现在的深度学习算法往往时数据驱...
fine-grained-segmentation-networks:ICCV论文的代码“精细划分的细分网络
03-11
细粒度的细分网络：自我监督的细分以改善长期的视觉定位 这是在“细粒度细分网络：自我监督的细分以改善长期视觉本地化”（ ）中发布的工作的实现。 资源 本文使用的数据集发布在visuallocalization.net 训练有素的模型 安装 提供了一个Dockerfile，可使用此文件构建Docker映像，或参考文件中列出的要求。 此外，还提供了requirements.txt。 用法 下载城市景观和枫叶远景 使用/utils/convert_vistas_to_cityscapes.py为Vistas图像创建城市景观类注释 下载对应数据集 下载与对应数据集关联的图像（数据集自述文件中的说明） 创建一个global_otps.json并设置路径（请参阅global_opts_example.json） 从上面的训练有素的模型链接中获取基本模型，将“基本网络”文件夹放置在global_o
image-similarity-measures:实施八个评估指标以访问两个图像之间的相似性。 八个指标如下
05-02
pip install image-similarity-measures 为了更快地评估FSIM指标，需要使用pyfftw软件包。 您可以单独安装它，也可以通过额外的speedups安装： pip install image-similarity-measures[speedups] 您也可以安装...
image-similarity:计算图片之间的相似度
05-18
ImageSimilarity 计算图片相似度的应用很广泛，如google、baidu、360等搜索引擎以图搜图的功能就是其典型应用。下面介绍介绍两种算法： 感知哈希算法（Perceptual hash algorithm） 那这种技术的原理是什么呢？...
Revisiting Local Descriptor based Image-to-Class Measure for Few-shot Learning阅读笔记
小新
05-24 1155
Revisiting Local Descriptor based Image-to-Class Measure for Few-shot Learning研究动机二级目录三级目录参考文献 for Few-shot Learning) 研究动机        小样本旨在学习一个具有良好泛化能力的模型，这样它就可以通过一个或几个实例来很容易地适应新的未知类(概念)。然而，每个类的样本数量极其有限，很难有效地代表其类别的分布，这使得这项任务真正具有挑战性。目前解决小样本的
主干网络backbone讲解—— Conv4与Resnet12
Bluebro的博客
04-09 4767
在一些论文中，也称为Conv-64F，其中“64F”表示网络中使用了64个滤波器（filters），它包含 4 个重复的卷积块。总体来说，Conv-64F主干网络是一个相对简单的卷积神经网络结构，但在许多图像分类和目标识别任务中已经表现出良好的性能。 Resnet12包含4个残差块，每个残差块有3个卷积层。“12”表示一共有12个卷积层。ResNet12被广泛应用于图像分类、目标检测和语义分割等任务中，其具有优秀的性能和较低的计算复杂度。
阅读论文：Locally-Enriched Cross-Reconstruction for Few-Shot Fine-Grained Image Classification
weixin_46942074的博客
02-09 1202
当仅采用通常嵌入模块的基本特征进行重建时，对判别局部信息的阐述并不充分，而判别局部信息对于判别高相似性的细粒度图像的子类别至关重要。我们提出了一种新的局部内容丰富交叉重建网络(LCCRN)，用于小样本细粒度分类。在LCCRN中，我们设计了两个新的模块:局部内容丰富模块(LCEM)用于学习判别性局部特征，交叉重构模块(CRM)用于将局部特征与从单独嵌入模块获得的外观细节充分融合。分类分数的计算基于交叉重构任务的重构误差加权和，权重从训练过程中学习。代码。
[图像处理]-Opencv中数据类型CV_8U, CV_16U, CV_16S, CV_32F 以及 CV_64F是什么?
热门推荐
ai_faker的博客
06-24 4万+
1.宏定义 首先来说CV_8U, CV_16U, CV_16S, CV_32F 以及 CV_64F，都是opencv定义的数据类型。 具体定义如下 #define CV_8S 1 #define CV_16U 2 #define CV_16S 3 #define CV_32S 4 #define CV_32F 5 #define CV_64F 6 #define CV_16F 7 #define CV_8UC1 CV_MAKETYPE(CV_8U,1) #define CV_8UC2 CV_
细粒度图像分类---Fine-grained Image Classification
u011489887的专栏
03-06 6687
1.进展综述https://zhuanlan.zhihu.com/p/247383192.论文原文：Object-Part Attention Driven Discriminative Localization for Fine-grained Image Classification（2017.4.6）作者：Yuxin Peng, Xiangteng He, and Junjie Zhao（清...
ViSiL: Fine-grained Spatio-Temporal Video Similarity Learning张量点
06-10
ViSiL: Fine-grained Spatio-Temporal Video Similarity Learning 中使用了张量点（tensor dot）操作，用于将空间编码器和时序编码器的输出相结合。 张量点是一种常用的张量运算，可以将两个张量按照一定的规则进行乘法和加法操作，得到一个新的张量。在ViSiL中，张量点被用来将空间编码器和时序编码器的输出相结合，得到视频的综合特征表示。 具体地，ViSiL中使用的张量点操作是将空间编码器的输出张量和时序编码器的输出张量进行张量乘法运算。这个运算的结果是一个三维张量，其中第一维对应视频的数量，第二维对应空间编码器的输出特征图的通道数，第三维对应时序编码器的输出状态向量的维度。 通过使用张量点操作，ViSiL可以将空间信息和时序信息相结合，得到视频的综合特征表示。这个综合特征表示可以用于计算视频之间的相似度得分，从而实现细粒度视频相似性学习的目标。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值