细粒度图像分类_资源 | 最新的细粒度图像分析资源

编辑：zero
关注 搜罗最好玩的计算机视觉论文和应用，AI算法与图像处理 微信公众号，获得第一手计算机视觉相关信息
本文转载自：公众号：算法猿的成长

细粒度图像，相对通用图像（general/generic images）的区别和难点在于其图像所属类别的粒度更为精细，也是目前计算机视觉领域比较热门的一个方向，包括了分类、检索以及图片生成方向。

细粒度图像类别的数据集也是越来越多，最早的时候，2011年左右的时候，基准的数据集就是花卉、鸟类（CUB200)以及猫狗数据集，并且数据量最多的狗类数据集是 2 万张图片左右，而现在数据集更多，涉及到更多的类别，包括服饰、水果蔬菜、零售商品等等，并且随着深度学习的发展，各种分类模型的提出，对这些数据集的分类准确率也是越来越高。

今天推荐的是一个关于细粒度图像分析资源的网站，作者是旷视的南京研究院负责人魏秀参，网站地址如下

http://www.weixiushen.com/project/Awesome_FGIA/Awesome_FGIA.html

这个网站主要是介绍了和细粒度图像分析相关的论文、代码和数据集，论文都是非常新的结果，基本是2017到2019年的结果。

主要介绍的内容如下所示：

分别是9个方面的介绍：

1. 简介
2. 教程
3. 调研论文
4. 基准数据集
5. 细粒度图像识别
6. 细粒度图像检索
7. 细粒度图像生成
8. 未来的发展方向
9. 分类准确率排行榜

1. 简介

主要是介绍该网站的内容，也就是展示一些基于深度学习的细粒度图像方面的有代表性的论文、代码和数据集，它们的研究方向包括分类、检索、图片生成等等。

2. 教程

这里推荐了两份教程，都是作者本人做的教程，分别是 2018 版和 2019 版本

1. http://www.weixiushen.com/tutorial/PRICAI18/FGIA.html，2018
2. http://www.icme2019.org/conf_tutorials，2019

3. 调研论文

同样是两份：

1. Deep Learning for Fine-Grained Image Analysis: A Survey. 2019

论文地址：https://arxiv.org/abs/1907.03069

2. A Survey on Deep Learning-based Fine-Grained Object Classification and Semantic Segmentation. 2017

论文地址：https://link.springer.com/article/10.1007/s11633-017-1053-3

4. 基准数据集

这里展示了 11 个数据集，如下图所示，其中 BBox 表示数据集提供物体的边界框信息，Part anno 则是数据集共了关键部位的位置信息，HRCHY 表示有分层次的标签，ATR 表示属性标签（比如翅膀颜色等），Texts 表示提供了图片的文本描述信息。

这里的 11 个数据集基本包含不同类别的物体，比如鸟类、花朵、服饰、猫狗、水果蔬菜、零售商品等等，其中常用的数据集应该就是 CUB200 这个包含 200 个类别的鸟类数据集，很多论文的实验数据集都会包含这个数据集。

5. 细粒度图像识别

这里将细粒度图像识别的方法分为以下三种：

• 基于定位-分类网络(Fine-grained recognition by localization-classification subnetworks)
• 端到端特征编码(Fine-grained recognition by end-to-end feature encoding)
• 采用额外信息（Fine-grained recognition with external information），包括网络数据、多模式数据（文本、音频等）、加入人工操作

这里介绍的前两种方法的论文会更多，给出的论文，最老的是 2014 年的，然后还有最新的 CVPR 2019 的论文，并且对于有开源代码的都提供了代码地址。因为论文太多，就不一一列举了，分别列出最新的一篇论文

基于定位-分类网络

论文：Weakly Supervised Complementary Parts Models for Fine-Grained Image Classification From the Bottom Up. CVPR,2019

论文地址：http://openaccess.thecvf.com/content_CVPR_2019/papers/Ge_Weakly_Supervised_Complementary_Parts_Models_for_Fine-Grained_Image_Classification_From_CVPR_2019_paper.pdf

端到端特征编码

论文：Destruction and Construction Learning for Fine-grained Image Recognition，CVPR,2019

论文地址：http://openaccess.thecvf.com/content_CVPR_2019/papers/Chen_Destruction_and_Construction_Learning_for_Fine-Grained_Image_Recognition_CVPR_2019_paper.pdf

Github：https://github.com/JDAI-CV/DCL

采用额外信息，包括网络数据、多模式数据（文本、音频等）、加入人工操作

论文：Learning from Web Data using Adversarial Discriminative Neural Networks for Fine-Grained Classification. AAAI,2019

论文地址：https://github.com/sxzrt/Learning-from-web-data

6. 细粒度图像检索

细粒度检索方向分为两个方向

采用预训练模型的无监督方法(Unsupervised with pre-trained models)

论文名称：Selective Convolutional Descriptor Aggregation for Fine-Grained Image Retrieval.2017

论文地址：http://www.weixiushen.com/project/SCDA/SCDA.html

采用度量学习的监督方法(Supervised with metric learning)

1. Centralized Ranking Loss with Weakly Supervised Localization for Fine-Grained Object Retrieval.IJCAI,2018

论文地址：https://www.ijcai.org/proceedings/2018/0171.pdf

2. Towards Optimal Fine Grained Retrieval via Decorrelated Centralized Loss with Normalize-Scale layer.AAAI,2019

论文地址：http://mac.xmu.edu.cn/rrji/papers/AAAI2019_zxw.pdf

7. 细粒度图像生成

同样分为两个方向：

根据细粒度图像分布生成图片(Generating from fine-grained image distributions)

1. CVAE-GAN: Fine-Grained Image Generation through Asymmetric Training. ICCV,2017

论文地址：http://openaccess.thecvf.com/content_ICCV_2017/papers/Bao_CVAE-GAN_Fine-Grained_Image_ICCV_2017_paper.pdf

Github：https://github.com/tkazusa/CVAE-GAN

2. FineGAN: Unsupervised Hierarchical Disentanglement for Fine-Grained Object Generation and Discovery. CVPR,2019

论文地址：http://openaccess.thecvf.com/content_CVPR_2019/papers/Singh_FineGAN_Unsupervised_Hierarchical_Disentanglement_for_Fine-Grained_Object_Generation_and_Discovery_CVPR_2019_paper.pdf

Github：https://github.com/kkanshul/finegan

根据文本描述生成图片(Generating from text descriptions)

论文：AttnGAN: Fine-Grained Text to Image Generation with Attentional Generative Adversarial Networks.CVPR,2018

论文地址：http://openaccess.thecvf.com/content_cvpr_2018/papers/Xu_AttnGAN_Fine-Grained_Text_CVPR_2018_paper.pdf

Github：https://github.com/taoxugit/AttnGAN

8. 未来发展的方向

列举了两个可能的方向：

1. 细粒度少样本学习(Fine-grained few shot learning)

论文：Piecewise classifier mappings: Learning fine-grained learners for novel categories with few examples. TIP，2019

论文地址：http://www.weixiushen.com/publication/tip19PCM.pdf

2. 应用到更多真实场景(FGIA within more realistic settings)

下面是给出的三篇论文：

1. Fine-grained Recognition in the Wild: A Multi-Task Domain Adaptation Approach. ICCV,2017

论文地址：https://ai.stanford.edu/~tgebru/papers/iccv.pdf

2. The iNaturalist Species Classification and Detection Dataset. CVPR,2018

论文地址：http://openaccess.thecvf.com/content_cvpr_2018/papers/Van_Horn_The_INaturalist_Species_CVPR_2018_paper.pdf

RPC: A Large-Scale Retail Product Checkout Dataset. 2019

论文地址：https://arxiv.org/abs/1901.07249

9. 分类准确率排行榜排行榜

这里主要是在数据集 CUB200-2011 数据集上的测试准确率，列举出目前最好的方法和其是否采用标准信息、额外的数据、采用的网络结构、输入图片的大小设置以及分类准确率：

这个网站收集了目前细粒度图像分析方面的资料，包括论文、代码和数据集，特别是介绍的最新的一篇综述论文：Deep Learning for Fine-Grained Image Analysis: A Survey.

论文地址：https://arxiv.org/abs/1907.03069

以及，魏秀参老师在 2017 年知乎上也发表过一篇细粒度图像分析综述，感兴趣的也可以看看：

魏秀参：「见微知著」——细粒度图像分析进展综述​zhuanlan.zhihu.com

---我是可爱的分割线---
关注 搜罗最好玩的计算机视觉论文和应用，AI算法与图像处理 微信公众号，获得第一手计算机视觉相关信息