WACV 2021 论文大盘点-图像分类篇

本篇文章总结图像分类相关论文，包含细粒度分类、医学图像分类、植物叶子等级分类等。

共计 10 篇，如有遗漏，欢迎补充。

下载包含这些论文的 WACV 2021 所有论文，请点击：

『WACV 2021 开幕，更偏重技术应用，附论文下载』

细粒度视觉分类

Fair Comparison: Quantifying Variance in Results for Fine-Grained Visual Categorization

作者 | Matthew Gwilliam, Adam Teuscher, Connor Anderson, Ryan Farrell

单位 | 杨百翰大学；马里兰大学

论文 | 

https://openaccess.thecvf.com/content/WACV2021/papers/Gwilliam_Fair_Comparison_Quantifying_Variance_in_Results_for_Fine-Grained_Visual_Categorization_WACV_2021_paper.pdf

Intra-Class Part Swapping for Fine-Grained Image Classification

作者提出用于细粒度识别的 Intra-class Part Swapping(InPS)。具体来说，InPS 在正样本上执行注意力引导的交换，避免了类间的混合，减轻了混合过程中的标签噪声。

此外，利用注意力信号引导重要区域之间的交换，创造了合理的组合，消除了新样本的隐藏结构。实验表明，InPS 在细粒度分类和弱监督定位上都持续优于近期的增强方法。

与目前最先进的细粒度方法相比，InPS 在计算效率、精度和简单性方面都有优越的表现。作者称 InPS 可以进一步应用于增强低级特征，并进一步节省计算资源。

作者 | Lianbo Zhang, Shaoli Huang, Wei Liu

单位 | 悉尼科技大学；悉尼大学

论文 | 

https://openaccess.thecvf.com/content/WACV2021/papers/Zhang_Intra-Class_Part_Swapping_for_Fine-Grained_Image_Classification_WACV_2021_paper.pdf

代码 | https://github.com/lbzhang/InPS

Multi-Modal Reasoning Graph for Scene-Text Based Fine-Grained Image Classification and Retrieval

本次研究中所提出的一种新架构，通过考虑图像的文本和视觉特征，在两个数据集中大大超越了以往最先进的结果，在细粒度分类上超过 5%，在图像检索上超过 10%。

作者设计一个完全端到端可训练 pipeline，融合了多模态推理模块，结合文字和视觉特征，且不依赖于集合模型或预先计算的特征。

作者在论文中提