细粒度分类：NTS-Net源码笔记——Learning to Navigate for Fine-grained Classification

已于 2023-06-24 16:10:04 修改
阅读量463 收藏
点赞数 1
分类专栏： 细粒度分类经典论文及源码笔记 文章标签： 计算机视觉 细粒度分类 pytorch 源码笔记
于 2023-06-23 18:42:51 首次发布
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_50001789/article/details/131353107
版权
本文介绍了NTS-Net在细粒度图像分类中的应用，详细解析了网络结构、初始化、区域建议模块、损失函数及数据加载流程，探讨了信息量与置信度排序损失的概念，并提供了PyTorch源码链接。
摘要由CSDN通过智能技术生成

细粒度分类：NTS-Net源码笔记——Learning to Navigate for Fine-grained Classification

综述

论文题目：《Learning to Navigate for Fine-grained Classification》
会议时间：European Conference on Computer Vision 2018 (ECCV, 2018)

论文地址：https://openaccess.thecvf.com/content_ECCV_2018/papers/Ze_Yang_Learning_to_Navigate_ECCV_2018_paper.pdf

源码地址(PyTorch版本)：https://github.com/yangze0930/NTS-Net

针对领域：细粒度图像分类(FGVC)

论文笔记：https://blog.csdn.net/qq_50001789/article/de

了解本专栏 订阅专栏 解锁全文
视觉萌新、
关注
专栏目录
订阅专栏
细粒度分类：NTS-Net论文笔记——Learning to Navigate for Fine-grained Classification
qq_50001789的博客
06-23 397
论文题目：《Learning to Navigate for Fine-grained Classification》 本文提出了一种新的无需边界框标注的细粒度分类算法。由navigator模块预测区域信息量，Teahcer模块对预测的信息量打分，利用区域的信息量和置信度(分数)之间的排序损失，对navigator进行优化，最后Scrutinizer模块将综合考虑原图特征以及一些信息量大的区域特征，对图片的类别做出最终的判断，三个模块互相合作，互相加强，有效地提高了网络细粒度的分类能力。
NTS-Net论文思想
weixin_43659035的博客
09-29 3373
细粒度分类具有挑战性，因为很难找到有区别的特征。找到那些能够完全描述物体的细微特征并不容易。为了解决这一问题，我们提出了一种新的自监督机制来有效地对信息区域进行定位，而不需要使用框/部件标注。我们的模型NTS-Net称为导航-教学-审查网络，由导航器代理、教学器代理和审查器代理组成。考虑到区域的信息量与其为groundtruth类的概率之间的内在一致性，设计了一种新的训练范式，使导航器能够在教...
NTS-Net
景唯acr
11-18 4546
ECCV2018细粒度分类paper：Learning to Navigate for Fine-grained Classification 作者无私的将代码公布了出来，源码基于pytorch。 项目地址：https://github.com/yangze0930/NTS-Net 在自己设备上复现时，鸟类数据集能够达到论文中的效果，但是汽车数据集的accuracy只有90.3%，和论文中描述的93...
探索未来智能驾驶：深度学习框架 NTS-Net
gitblog_00022的博客
04-18 283
探索未来智能驾驶：深度学习框架 NTS-Net NTS-NetThis is a PyTorch implementation of the ECCV2018 paper "Learning to Navigate for Fine-grained Classification" (Ze Yang, Tiange Luo, Dong Wang, Zhiqiang Hu, Jun Gao, Liw...
细粒度分类之NTS_NET解读
weixin_41803339的博客
02-26 1348
1.序言 细粒度分类的提出是为了解决相似类别之间的分类问题，基本的思路是找到对于相似类别有区分性的区域块，结合这些具有丰富信息的区域块特征更加有效的进行相似类别的分类。 这里分享细粒度分类里面较为经典的NTS_NET，数据集使用stanford car，代码已经在我的github更新提交。NTS_NET代码 2.论文解读 论文提出NTS_NET由三种功能网络构成：navigator，teacher，scrutinizer。 2.1 navigator navigator在海事专业里面称为领航员，是领导航线
Learning to Navigate for Fine-grained Classification 论文学习
weixin_39454351的博客
04-28 576
Learning to Navigate for Fine-grained Classification 论文地址 介绍 问题描述：细粒度分类任务是用来区分上一级公共类的子类，例如野生鸟类、汽车型号。这些子类通常是由各个领域专家根据特定的规则定义的，这些规则通常关注特定区域的细微差别。 主要挑战：由于类间变化较小，找到具有判别能力的特征相对普通分类任务更加困难。 现有问题 强监督学习：利用细粒度...
细粒度分类：信息区域定位与NTS-Net模型综述
细粒度分类是计算机视觉领域中的一个重要研究课题，它...尽管面临挑战，但通过创新的自监督策略，NTS-Net为细粒度分类问题提供了一种新的可能，预示着未来在减少人工标注依赖的同时，提升模型在复杂场景下的识别能力。
NTS-Net-keras:学习导航以进行细粒度分类
05-26
NTS-Net-Keras 该项目是用Keras编写的用于构建NTS-Net模型的工具。 原始论文： 获取 支持多GPU训练 只支持tensorflow作为后端 快速开始 请注意，当前只能在Linux和macOS中执行此项目。 您可能会在Windows中遇到...
使用NTS理解细粒度图像分类
小白学视觉
08-06 550
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达导读细粒度图像分类的一些问题和挑战。自从2012年的ILSVRC竞赛Alexnet赢得冠军以来，计算机视觉已经非常出色了。这是人们在开始研究这项快速发展的技术时经常会遇到的说法。这个博客是为了理解细粒度视觉分类(FGVC)这一具有挑战性的问题，下面的文章将对此进行详细描述。有关Pytorch代码实现，请...
Learning to Navigate for Fine-grained Classification
weixin_44529634的博客
06-04 678
ECCV 2018 北京大学 Abstract 找出完全表征对象的细微特征并不简单（细粒度分类的挑战性） 文章提出新颖的自监督(self-supervision)机制，无需bbox和part annotations，即可有效定位信息区域。 模型：NTS-Net（ Navigator-Teacher-Scrutinizer Network）== Navigator agent，Teacher agent和Scrutinizer agent组成 考虑到informativeness of the regions
细粒度图像分类识别顶级论文及实现代码 DT-RAM / NTS-Net / DFL-CNN / Bilinear Pooling / Grassmann Pooling
王爷的CSDN
04-02 5265
ICCV2017 Dynamic Computational Time for Recurrent Attention Model (DT-RAM) https://github.com/baidu-research/DT-RAM（Torch实现，ResNet的baseline很牛，CUB-200-2011数据集 84.5%，论文方法 86.0%）http://openaccess.thecvf...
论文阅读笔记 | (ECCV 2018) Learning to Navigate for Fine-grained Classification
热门推荐
z止于至善的博客
09-10 1万+
论文来自北京大学，做细粒度图像分类。 论文下载：Learning to Navigate for Fine-grained Classification 知乎专栏计算机视觉一隅，文章(ECCV 2018) Learning to Navigate for FGVC (详细版) Abstract 由于找出判别特征比较困难，细粒度图像分类具有挑战性。找到完全表征对象的那些细微特征并不简单。为了...
论文翻译:Densenet 网络 Densely Connect Convolutional Networks
qq_41295976的博客
03-06 2700
转载知乎https://zhuanlan.zhihu.com/p/31647627 摘要 最近的研究表明，如果在靠近输入层与输出层之间的地方使用短连接（shorter connections），就可以训练更深、更准确、更有效的卷积网络。在这篇文章中，我们基于这个观点，介绍了稠密卷积网络（DenseNet），该网络在前馈时将每一层都与其他的任一层进行了连接。传统的层卷积网络有个连接——每...
ade20k 街景图像【数据集】及其【论文出处】ADE20K数据集 超过25000张图像的语义分割数据集
阿利同学的博客
10-04 1083
ade20k 街景图像【数据集】及其【论文出处】ADE20K数据集是一个包含超过25000张图像的语义分割数据集，这些图像被密集注释，覆盖室内和室外场景。 它由MIT发布，包含100个事物类别和50个物质类别， 用于训练和验证的图像数量分别为20210和2000。 ADE20K数据集的特点包括丰富的场景多样性和详细的语义标注，使得它成为训练和评估语义分割模型的重要资源。 数据集组成： ADE20K数据集分为训练集、验证集和测试集，其中训练集包含20,210张图像，验证集包含2,000张图像。测试集的图像
数学建模算法与应用 第13章 数字图像处理
weidl001的博客
10-12 662
数字图像是由离散的像素组成的，每个像素通常表示为一个数值，代表其灰度级或颜色信息。数字图像处理的核心在于对这些像素值进行各种数学运算，从而达到增强图像质量、提取有用信息等目的。灰度图像：灰度图像是只有一个通道的图像，每个像素的值表示亮度，通常在0到255之间。彩色图像：彩色图像通常由三个通道组成（如RGB），每个通道表示不同的颜色分量。分辨率：图像的分辨率表示图像的清晰度，通常以像素数来衡量。第十三章介绍了数字图像处理的基本概念和常见方法，包括空域处理、频域处理、边缘检测和形态学操作等。
基于YOLOv8-deepsort算法的智能车辆目标检测车辆跟踪和车辆计数
深度学习实战训练营，一起交流探索深度学习
10-07 1414
本项目结合了Ultralytics最新推出的YOLOv8模型和DeepSORT算法，实现了目标检测与多目标追踪的无缝集成。YOLOv8是YOLO（You Only Look Once）系列中性能提升显著的版本，通过引入新的特征提取模块和检测头，大幅提升了目标检测的精度和速度。而DeepSORT（Simple Online and Realtime Tracking）作为一种基于卡尔曼滤波和匈牙利算法的跟踪方法，能够处理目标在复杂场景下的遮挡和跨帧的ID管理。
什么是LTU?
最新发布
chase
10-12 210
LUT简介
图片数据增强-resize（不同插值）、各种模糊
Python_csdn_csdn的博客
10-12 48
将图片批量进行不同的数据增强处理，并保存到不同的文件夹下。
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

打赏作者

视觉萌新、

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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