Learning to Navigate for Fine-grained Classification 论文学习

最新推荐文章于 2023-02-10 19:26:14 发布
最新推荐文章于 2023-02-10 19:26:14 发布
阅读量578 收藏 5
点赞数 2
分类专栏： 深度学习 网络结构 文章标签： 计算机视觉 深度学习 细分类
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/weixin_39454351/article/details/105808759
版权
本文提出了一种名为NTS-Net的自监督学习方法，用于解决细粒度分类任务中信息区域的精确识别问题。通过多智能体协作，包括Navigator、Teacher和Scrutinizer，模型能够无需边界框/部分注释来定位关键区域，实现了最先进的性能。在CUB-200-2011、Stanford Cars和FGVC Aircraft数据集上，NTS-Net表现出优于传统ResNet-50和其它方法的性能。
摘要由CSDN通过智能技术生成

Learning to Navigate for Fine-grained Classification 论文地址
参考博客

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：利用细粒度的人工注释，如鸟分类中部分部位的注释。虽然取得了不错的结果，但它们所需的细粒度人工注释代价昂贵，使得这些方法在实践中不太适用。
  • 无监督学习：学习规则定位信息区域，不需要昂贵的注释，但缺乏保证模型聚焦于正确区域的机制，这通常会导致精度降低。

本文方法

文章提出了一种新颖的自监督（self-supervision ）机制，可以有效地定位信息区域而无需边界框/部分注释（bounding box/part annotations）。开发的模型称为NTS-Net，采用multi-agent cooperative学习方法来解决准确识别图像中的信息区域的问题。 直观地，被赋予地ground-truth class的概率较高的区域应该包含更多的对象特征语义，从而增强整个图像的分类性能。 因此，设计了一种新的损失函数来优化每个选定区域的信息量，使其具有与概率为ground-truth class相同的顺序。

整体思路

概括阐述self-supervision机制NTS-Net由Navigator agent，Teacher agent和Scrutinizer agent组成。

  • 对于图像中的每个区域，Navigator预测区域的信息量，并提出信息量最大的区域。
  • Teacher评估Navigator建议的区域并提供反馈：对于每个候选区域，Teacher评估其属于ground-truth class的概率，根据置信度评估来指导Navigat
最低0.47元/天 解锁文章
good good study
关注
专栏目录
细粒度分类：NTS-Net论文笔记——Learning to Navigate for Fine-grained Classification
qq_50001789的博客
06-23 402
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：NTS-Net源码笔记——Learning to Navigate for Fine-grained Classification
最新发布
qq_50001789的博客
06-23 471
论文《Learning to Navigate for Fine-grained Classification》源码笔记
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
Learning to Navigate for Fine-grained Classification，细粒度图像识别
KongCDY的专栏
08-20 2179
简介 细粒度图像识别主要是对某个类别的子类进行细分类，例如狗的品种、不同品牌不同型号的车。往往大类总体外观差不多，需要通过一些局部的细节来进行区分，而局部的细节又随着当前目标的姿态不同在图像中的位置也不同，因此一般用于ImageNet的分类网络进行这种细类分类就会比较难。因此假设：有意义的局部信息可以辅助分类，局部信息加全局信息可以进一步提高分类效果。因此目标是找到更有意义的局部位置。 按照上...
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
2018ECCV_Learning to Navigate for Fine-grained Classification
张家四少
08-04 465
论文链接：https://openaccess.thecvf.com/content_ECCV_2018/papers/Ze_Yang_Learning_to_Navigate_ECCV_2018_paper.pdf Pytorch代码链接：https://github.com/zxy14120448/NTS-Net 摘要
细粒度分类的导航学习方法
"Learning to Navigate for Fine-grained Classification - ECCV 2018论文，探讨在没有边界框或部分注释的情况下，如何有效地定位信息区域进行细粒度图像识别" 在细粒度图像分类（Fine-grained Image ...
[ECCV 2018] Learning to Navigate for Fine-grained Classification
连理o的博客
02-10 706
[ECCV 2018] Learning to Navigate for Fine-grained Classification
论文阅读笔记 | (ECCV 2018) Learning to Navigate for Fine-grained Classification
Look Forward To
03-04 565
https://blog.csdn.net/qq_16525279/article/details/82595285
steve jobs stanford speech
11-08
steve jobs stanford speech Steve Jobs, CEO of Apple Computer and Pixar addresses the Stanford University graduating class of 2005 at commencement exercises in June.
car_dataset
05-26
海量的汽车数据集可供下载，可以做一些基于深度学习的车辆检测
Stanford Cars Dataset 斯坦福汽车数据集-数据集
03-17
3D对象表示是用于多视图对象类检测和场景理解的宝贵资源。细粒度识别是计算机视觉的一个不断发展的子领域，在区分细微的外观差异方面有许多实际应用。这些汽车数据集包含用于组建模型的出色培训和测试集，可以相互区分汽车。 Stanford Cars Dataset_datasets.txt Stanford Cars Dataset01_datasets.zip Stanford Cars Dataset02_datasets.zip Stanford Cars Dataset03_datasets.zip
Learning to Navigate for Fine-grained Classification 论文阅读详解
qq_38284961的博客
11-12 522
Learning to Navigate for Fine-grained Classification 摘要 文中为细粒度分类提出了一种新的有效的网络结构，这种网络结构分成三个部分，导航结构，教师结构，检查结构。导航结构在教师结构的引导下挖掘出绝大数的信息区域，但是在检查结构检查推荐的区域，并做出预测。 模型训练来说是可以端到端的。 简介 网络中需要，被标记...
[2021-CVPR] Fine-grained Angular Contrastive Learning with Coarse Labels 论文简析
weixin_44966641的博客
06-08 3533
[2021-CVPR] Fine-grained Angular Contrastive Learning with Coarse Labels 论文简析 论文地址：https://arxiv.org/abs/2012.03515 代码地址：https://github.com/guybuk/ANCOR 首先通俗地介绍一下细粒度（fine-grained），细粒度分类是指在原来粗分类的基础上再对子类进行更细致的分类。举个例子，图中有一只狗，粗（coarse）分类的分类结果即是一只狗，而细粒度的分类结果则会细
Fine-grained Classification 论文调研
一一
05-27 2788
目录 细粒度分类综述 论文一Learning to Navigate for Fine-grained Classification （ECCV2018 from PKU） 1. Abstract 2. Architecture 3. Experiment 4.conclusion 论文二：Multi-Attention Multi-Class Constraint for Fin...
【论文翻译】Learning to Navigate in Cities Without a Map
weixin_40523230的博客
11-14 1823
摘要：在非结构化环境中导航是agent的一项基本能力，因此在人工智能的研究和发展中具有重要的意义。远程导航是一项复杂的认知任务，它依赖于对空间的内部表示，以可识别的地标和健壮的视觉处理为基础，能够同时支持连续的定位(“我在这里”)和目标表示(“我要去那里”)。基于近期“将深度强化学习应用于迷宫导航问题”的研究，我们提出了一种可应用于城市尺度的端到端深度强化学习方法。我们意识到成功的导航依赖于“通用...
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