细粒度分类：MGE-CNN论文笔记——Learning a Mixture of Granularity-Specific Experts for FGVC

于 2023-06-23 19:08:20 发布
阅读量346 收藏
点赞数
分类专栏： 细粒度分类经典论文及源码笔记 文章标签： 论文阅读 计算机视觉 细粒度分类
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/131353296
版权

细粒度分类：MGE-CNN论文笔记——Learning a Mixture of Granularity-Specific Experts for Fine-Grained Categorization

综述

论文题目：《Learning a Mixture of Granularity-Specific Experts for Fine-Grained Categorization》
会议时间：IEEE International Conference on Computer Vision 2019 (ICCV 2019)

论文地址：https://openaccess.thecvf.com/content_ICCV_2019/papers/Zhang_Learning_a_Mixture_of_Granularity-Specific_Experts_for_Fine-Grained_Categorization_ICCV_2019_paper.pdf

针对领域：细粒度图像分类(FGVC)

主要思想

  由于细粒度数据集具有复杂的背景和多目标尺度(multiple object scale)，因此细粒度任务中的对象通常具有较小的类间差异和较大的类内差异。本文中，作者利用混合专家神经网络(mixture of neural network experts, ME)将细粒度问题空间划分为不同的子问题空间，并且在ME的基础上做了进一步的改进，提出了MGE-CNN网络模型(Mixture of Granularity-Specific Expert

了解本专栏 订阅专栏 解锁全文
视觉萌新、
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
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
06-23 166
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。
细粒度分类：PC论文笔记——Pairwise Confusion for Fine-Grained Visual Classification
qq_50001789的博客
06-23 262
论文题目：《Pairwise Confusion for Fine-Grained Visual Classification》 本文提出了一种成对混淆(PC)优化策略，通过鼓励输出的混淆来提高细粒度视觉分类任务的泛化能力。实验表明，经过PC训练出来的网络显著地改进了模型的定位性能，有利于提高分类的精度。与一般设计新的、复杂的网络结构相比，PC易于实现，不会在训练期间增加过多的开支，并且便于添加到各种网络模型中，来提高模型的性能。
细粒度图像分类论文研读-2019
weixin_46365033的博客
12-15 1266
目前的工作以一种弱监督的方式解决细粒度图像分类问题：首先检测对象部分，然后提取相应的部分特定特征以进行细粒度分类。然而，这些方法通常孤立地处理每个图像的部分特定特征，而忽略他们之间的关系。本文提出了Cross-X学习，这是一种简单而有效，它利用不同图像之间的关系以及不同网络层之间的关系来实现鲁棒的多尺度特征学习。一个跨类别的跨语义正则化器，它引导提取的特征来表示语义部分；一个通过匹配多个层的预测分布来提高多尺度特征鲁棒性的跨层正则化器；本文的目的是将细粒度认知的问题空间划分为一些特定区域。
【论文阅读】Cross-X Learning for Fine-Grained Visual Categorization
Ayden的博客
04-06 1240
【论文阅读】Cross-X Learning for Fine-Grained Visual Categorization摘要具体实现OSME模块跨类别跨语义正则化(C3SC^{3} SC3S)跨层正则化(CLCLCL) 摘要 Recognizing objects from subcategories with very subtle differences remains a challenging task due to the large intra-class and small inter-cl
基于PyTorch、易上手，细粒度图像识别深度学习工具库Hawkeye开源
idol24的博客
11-07 439
转载自丨机器之心鉴于当前领域内尚缺乏该方面的深度学习开源工具库，南京理工大学魏秀参教授团队用时近一年时间，开发、打磨、完成了 Hawkeye——细粒度图像识别深度学习开源工具库，供相关领域研究人员和工程师参考使用。本文是对 Hawkeye 的详细介绍。目录1. 什么是 Hawkeye 库2. Hawkeye 支持的模型及方法3. 安装 Hawkeye4. 使用 Hawkeye 训练模型1. 什么是...
Matlab-Calismalar：İmgeİşlemeMatlabÇalışmalar
02-18
在"Matlab-Calismalar：İmgeİşlemeMatlabÇalışmalar"这个项目中，我们将探讨MATLAB在图像处理领域的应用。 一、MATLAB图像基础 1. 图像读取与显示：MATLAB通过`imread`函数可以读取各种格式的图像文件，如...
Difference of a generalized D. H. Lehmer number and its $m$-th power
12-28
广义D. H. Lehmer数及其$m$次幂的差，徐哲峰，，令$n>2$, $mge 2$为整数. 对任意整数$a$满足$1le ale n, (a,n)=1$,存在唯一整数$b$满足$1le ble n$使得$bequiv a^mpmod n$,将其定义为$(a)_n$. 如果$a$ 和$(a^m)_
megengine框架的图像分类SNetV2-1.5模型(ImageNet)
10-17
SNet（Social Network）系列模型是由研究人员设计的一种卷积神经网络（CNN），其核心理念是模拟人类社会中的交互行为，从而提高模型的识别性能。SNetV2是在SNet的基础上进行优化的，主要提升了计算效率和模型的准确...
microservice-graph-explorer：使用真实的应用程序连接实时浏览和浏览应用程序中的所有微服务
02-05
“微服务图资源管理器”（又名MGE）是一个Web应用程序，可让用户实时浏览微服务图。 这是用于实现微服务的调试/可视化工具。 微服务图资源管理器使您能够实时监视所有微服务的运行状况，并提供带有调试信息的仪表板...
Wisdom-of-Multiple-Guesses-Scripts:生成图形的 Python 脚本
07-19
该存储库是以下论文的纲要： J. Ugander，R.德拉普，C. Guestrin， “多重猜测的智慧”，EC 2015年 该论文包含两个实验，比较了在 Amazon Mechanical Turk 上运行的简单“点猜游戏”中引发不确定性的不同评分规则...
2019年12月 视觉顶会论文收集
小星星专栏
12-16 1179
**最新视觉顶会论文收集 -- 细粒度分类，也包含部分目标检测论文，可能会对细粒度分类有启发** CVPR 2019 细粒度分类 Zheng H, Fu J, Zha Z J, et al. Looking for the Devil in the Details: Learning Trilinear Attention Sampling Network for Fine-grained I...
论文笔记 | 基于深度学习的细粒度物体分类综述
kangdk 视其所以，观其所由，察其所安。
04-19 1万+
节选整理自：A Survey on Deep Learning-based Fine-grained Object Classification and Semantic Segmentation 细粒度分类综述 细粒度分类：同一类中不同子类物体间的分类。 难点：受视角、背景、遮挡等因素影响较大，类内差异较大、类间差异较小。 基于深度学习的物体分类可以大致分为4类： 使用通用DCN...
卷积神经网络(CNN)基础介绍
热门推荐
网络资源是无限的
01-16 37万+
卷积神经网络(CNN)基础介绍
从零开始搭建神经网络（五）卷积神经网络(CNN)
学如不及,犹恐失之
08-09 2万+
目录 1.基础介绍 2.网络结构 2.1卷积层 2.1.1 Padding 2.1.2 Stride 2.1.3 多通道计算 2.2池化层 2.2.1 最大池化 2.2.2 平均池化 2.3全连接层 3.代码实例 1.基础介绍 卷积神经网络的基础内容可以参考：机器学习算法之卷积神经网络 2.网络结构 卷积神经网络一般包括卷积层，池化层和全连接层，下面分别介绍一下 2...
CNN网络模型大总结【持续更新中...】
十二月未央未眠
07-17 5395
本文将总结从LeNet5开始到现在，具有代表性或具有创新意义的CNN网络模型架构。本文特点是， 一、总结内容非常精简，不详细，适于想快速了解的人进行阅读； 二、附带有相关网络图，来源于论文或网络，直观不枯燥； 三、附带论文链接地址，需要详细学习该网络的人可直接点开下载； 四、附带pytorch代码实现，代码来源于网络或自己写… 目录LeNet5网络结构解析Pytorch实现AlexNet网络结构解析创新点Pytorch实现VGG网络结构解析创新点：Pytorch实现NiN网络结构解析创新点Pytorch.
我读Fine-Grained Change Detection of Misaligned Scenes with Varied Illuminations
工长山的专栏
10-24 1836
背景介绍 本文贡献 实现方法 数据采集 FtextbfF的初始化 Normal-aware lighting correction 相机几何校正 Low-rank变化检测 Coarse-to-fine优化以及最终结果 实验结果背景介绍文章标题：Fine-Grained Change Detection of Misaligned Scenes with Varied Illuminations，IC
【Valse2020】细粒度图像识别年度进展概述
qq_37194898的博客
11-16 1288
细粒度识别的挑战：类间差异大，类内差异小 常用的数据集：鸟，花，汽车…… 不同的范式： 1. by localization-classification subnetworks 定位子网络，典型工作：ICCV，S3N
Pairwise Confusion for Fine-Grained Visual Classification 阅读笔记
Jadelyw的博客
10-09 3775
1) 摘要 尽管细粒度视觉分类数据集的样本数量很少，但是却存在着显著的类内差异性和类别间相似性。然而，先前的工作通常采用定位或者分割来解决类内的差异性，但是，类别间相似性依然影响特征的学习从而降低分类器的性能。针对这一问题，我们提出了一种可端到端惊醒训练的新奇的优化方法--Pairwise Confusion(PC),在激活中故意引入混淆来减少过拟合。通过实验证明PC能够提高定位能力并且在六个细...
论文摘要——总结 Multiple granularity descriptors for fine-grained categorization.
Xiaoqing的博客
07-13 2376
学习预习笔记交互式图像分割：首先由用户以某种交互手段指定图像的部分前景与部分背景，然后算法以用户的输入作为分割的约束条件自动地计算出满足约束条件下的最佳分割。例如，典型的交互手段包括用一把画刷在前景和背景处各画几笔以及在前景的周围画一个方框等。全局前景估计：对前景进行运动估计 简述人类大脑是根据界门纲目科属种识别动物，本篇文章与人脑识别动物原理相似，从大到小将动物归类。举一个例子，啄木鸟的“科”上...
MIXTURE-OF-EXPERTS
最新发布
08-22
MTURE-OF-EXPERTS是一种推荐系统中的模型。它是一种多专家模型，可以将不同的专家的知识和能力结合起来，以提高推荐系统的性能。MMoE是MIXTURE-OF-EXPERTS的一种改进的模型。它引入了gate门函数来控制每个专家的权重输出。在MMoE实践过程中，发现了一个问题，即有时只有一个专家起作用，其权重被极化成001的形式。因此，MMoE是一种可以解决这个问题的改进的推荐模型。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [一文看懂推荐系统：排序02：Multi-gate Mixture-of-Experts (MMoE)](https://blog.csdn.net/weixin_46838716/article/details/126458980)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]
评论 1
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