细粒度分类：Cross-X论文笔记——Cross-X Learning for Fine-Grained Visual Categorization

已于 2023-06-24 16:41:31 修改
阅读量250 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 人工智能
于 2023-06-23 19:17:06 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/131353384
版权

细粒度分类：Cross-X论文笔记——Cross-X Learning for Fine-Grained Visual Categorization

综述

论文题目：《Cross-X Learning for Fine-Grained Visual Categorization》
会议时间：IEEE International Conference on Computer Vision 2019 (ICCV, 2019)

论文地址：http://openaccess.thecvf.com/content_ICCV_2019/papers/Luo_Cross-X_Learning_for_Fine-Grained_Visual_Categorization_ICCV_2019_paper.pdf

源码地址(PyTorch版本)：https://github.com/cswluo/CrossX

针对领域：细粒度图像分类(FGVC)

源码笔记：https://blog.csdn.net/qq_50001789/article/details/131353423?spm=1001.2014.3001.5501

主要思想

  由于类内差异比较大并且类间相似度比较高，从具有细微差异的子类别中识别对象仍是一项具

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：Cross-X源码笔记——Cross-X Learning for Fine-Grained Visual Categorization
qq_50001789的博客
06-23 284
论文《Cross-X Learning for Fine-Grained Visual Categorization》源码笔记
细粒度特征识别
weixin_44523062的博客
06-17 3131
魏秀参 综述 课程 Feature Feature 还是Feature 不变性：光照不变性，旋转不变性，相机不变性，ID不变性，近邻不变性 区别性：外形、细腻特征、 2012年之前 全局特征不变性较差 局部特征 2012之后 深度向量特征 用一个集合表达，怎么到向量表达 pooling 损失 的motivation 协方差矩阵 协方差–》流行空间，测地距离 ...
Cross-X Learning for Fine-Grained Visual Categorization
程序员养成日记
03-19 1240
Cross-X Learning for Fine-Grained Visual Categorization 本文提出了一种利用不同图像之间以及不同网络层之间的关系进行鲁棒的多尺度特征学习的框架。 问题陈述 细粒度视觉分类：由于类内差异大而类间差异小，从具有非常细微差异的子类别中识别对象是一项艰巨的任务。 目前的常见弱监督方式解决细粒度识别问题：首先检测对象部件，然后提取相应部分特征进行细粒度分...
【论文阅读】Cross-X Learning for Fine-Grained Visual Categorization
Ayden的博客
04-06 1223
【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
Counterfactual Attention Learning for Fine-Grained Visual Categorization and Re-identification 论文学习
calvinpaean的博客
10-08 4393
论文地址：https://arxiv.org/pdf/2108.08728.pdf Github地址：https://github.com/raoyongming/CAL Abstract 注意力机制在细粒度视觉分类任务上非常有效。本文介绍了一个反事实的注意力学习方法，基于因果推理来学习更加有效的注意力。现有的方法都基于传统的概率来学习注意力，本文作者提出利用反事实因果关系来学习注意力，为评价注意力的质量提供了一个强力的工具，提供的监督信号可有效地指导训练过程。作者通过反事实介入，分析学到的注意力对网络预测
细粒度图像分类论文研读-2019
weixin_46365033的博客
12-15 1257
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。
Self-Supervised-Learning-for-Fine-grained:应用自我监督学习进行细粒度图像分类
04-02
在细粒度图像分类领域，这种方法尤其有潜力，因为获取大量带有精确类别标签的细粒度图像数据通常非常耗时且成本高昂。细粒度图像分类是指在类别之间有微小差异的情况下识别图像，例如识别不同种类的鸟类或植物病害。...
fine-grained-reactivity-demo:细粒度的React式编程的ECMAScript类型演示
05-09
$ cd fine-grained-reactivity-demo$ npm iadded 411 packages from 225 contributors and audited 412 packages in 3.726sfound 0 vulnerabilities$ npm run lint> npm run lint:types && npm run lint
Learning to Navigate for Fine-grained Classification
09-11
ECCV 2018 paper, Fine-grained image recognition,propose a novel self-supervision mechanism to effectively localize informative regions without the need of bounding-box/part annotations
数据融合matlab代码-fine-Grained-classify:fine-Grainedclassify细颗粒度图像分类
05-22
fine-Grained-classify fine-Grained classify 细颗粒度图像分类 总体框架 参考文献 参考开源代码 研发代码同步 总结 1. 论文参考 > Bilinear CNNs for Fine-grainedVisual Recognition.pdf（双线性卷积细颗粒度图像...
fine_grained_classification-master.zip_Multi-Attention；_classifi
07-15
细粒度图像识别是一种在深度学习领域中颇具挑战性的任务，它要求模型能够区分非常相似的类别，如不同种类的鸟类、汽车型号或花卉。在这个名为"fine_grained_classification-master.zip_Multi-Attention_classifi"的...
In Search of Lost Online Test-time Adaptation: A Survey--论文笔记
dezwb的博客
07-08 989
本文介绍了在线测试时间适应(online test-time adaptation,OTTA)的全面调查，OTTA是一种专注于使机器学习模型适应批量到达时的新数据分布的新方法。尽管最近OTTA方法得到了广泛应用，但该领域仍陷入了诸如模糊设置、过时的主干网络和不一致的超参数调优等问题，这些问题混淆了真正的挑战，并使可重复性难以捉摸。为了清晰和严格的比较，我们将OTTA技术分为三个主要类别，并使用强大的视觉转换(ViT)主干对它们进行基准测试，以发现真正有效的策略。
【论文阅读笔记】ASPS: Augmented Segment Anything Model for Polyp Segmentation
qq_46056318的博客
07-08 644
ASPS：用于息肉分割的扩展SAM模型2024年 arxivPaperCode息肉分割在结直肠癌诊断中起着至关重要的作用。最近，Segment Anything Model(SAM)的出现利用其在大规模数据集上的强大预训练能力，为息肉分割带来了前所未有的潜力。然而，由于自然图像和内窥镜图像之间的区域差距，SAM在实现有效的息肉分割方面遇到了两个限制。首先，它的基于变压器的结构优先考虑全局和低频信息，可能会忽略局部细节，并在学习的特征中引入偏差。
Efficient Estimation of Word Representations in Vector Space论文笔记解读
m0_52775136的博客
07-09 561
将输出层的单词表示为一个二叉树，其中每个叶子节点都表示一个单词。每个非叶子节点都表示两个子节点的内积，每个叶子节点都表示该单词的条件概率。对于给定的一对（中心单词，上下文单词），我们希望最大化它们的共现概率。最后输出V个概率，复杂度比较高，采用了2重方法降低复杂度，分别是层次softmax和负采样。Word2vec的向量表示能够自动捕捉到单词之间的语义和语法关系。舍弃多分类，把多分类转变成二分类问题（正样本和负样本）。用周围词预测中心词，求和的时候忽略了每个词的顺序。增大正样本的概率，减小负样本的概率。
论文阅读 - Intriguing properties of neural networks
m0_52739647的博客
07-08 743
经典论文、对抗样本领域的开山之作发布时间：2014论文链接: https://arxiv.org/pdf/1312.6199.pdf作者：Christian Szegedy, Wojciech Zaremba, Ilya Sutskever, Joan Bruna, Dumitru Erhan, Ian Goodfellow, Rob Fergus写在前面：该文章已经发表10年了，该领域的发展十分迅速，本文中的一些观点可能并不准确。
[论文笔记]涨点近5%! 以内容中心的检索增强生成可扩展的级联框架:Pistis-RAG
最新发布
日积月累，天道酬勤
07-11 648
⭐ 作者提出了一个新颖的框架，以内容为中心。该框架包括不同的阶段：匹配、预排名、排名、多路径推理和聚合。其中包含了很多工程细节，值得参考。但没有看到总体耗时相关的描述以及整体代码，可能耗时会相对较长。
论文阅读：Large Language Models for Education: A Survey and Outlook
CSPhD-winston的博客
07-08 1014
论文概述了LLMs在教育环境中的多种技术，包括学生和教师辅助、自适应学习和商业工具。系统回顾了每个视角下的技术进步，整理了相关数据集和基准测试，并识别了LLMs部署在教育中的相关风险和挑战。概述了未来的研究方向，强调了有前景的方向。
【论文阅读|异步联邦】FedASMU重读
m0_46554918的博客
07-08 901
但如果所有用户都在训练的时候请求新的全局模型，如果是同时申请，这样的状况，本文相当于只在本地聚合时多加了按权分配的策略，缓解了模型陈旧。表示 RL 训练过程的学习率，L 表示本地 epoch 的最大次数，∫L 对应第 L 个本地 epoch 后发送请求(1) 或 不发送请求(0) 的决定，bt 是减少模型偏差的基值。o 为全局模型的版本，l 为局部 epoch 个数，ηi 为设备 i 上的学习率，∇Fi(·) 为基于 Di 中无偏采样的小批 ζl−1 的梯度。元模型和局部模型都会生成每个时隙的概率。
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。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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