学习笔记之——Bilinear CNN model

最新推荐文章于 2024-08-06 20:28:49 发布
原创 最新推荐文章于 2024-08-06 20:28:49 发布 · 4.9k 阅读 · 19 ·
CC 4.0 BY-SA版权
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。

本文介绍了一种2015年提出的双线性模型，用于细粒度图像分类任务。该模型采用两个并列的CNN结构，如AlexNet或VGGNet去除全连接层和softmax层，作为特征提取器，并使用SVM进行分类。通过计算图像每个位置的外积，再进行池化，形成最终图像描述算子，能够以平移不变的方式建模局部pairwise特征交互。

双线性模型是2015年提出的一种细粒度图像分类模型。该模型使用的是两个并列的CNN模型，这种CNN模型使用的是AlexNet或VGGNet去掉最后的全连接层和softmax层，这个作为特征提取器，然后使用SVM作为最后的线性分类器

该结构由两个特征提取器产生，两个输出是图像每一个位置的外积(outer product)，然后进行 pool，得到最终的图像描述算子。这种结构可以对局部 pairwise feature interactions 以平移不变的方式进行建模。而且，可以产生不同的无序的文字描述，像 Fisher vector, VLAD and O2P。

 

 

 

参考资料

https://www.cnblogs.com/AmitX-moten/p/5377615.html

https://blog.youkuaiyun.com/u014686356/article/details/79523853

https://blog.youkuaiyun.com/zsx1713366249/article/details/85090616

https://www.cnblogs.com/wangxiaocvpr/p/5540956.html

 

 

 

细粒度分类：CAL论文笔记——Counterfactual Attention Learning for Fine-Grained Visual Categorization
qq_50001789的博客
06-24 1147
论文《Counterfactual Attention Learning for Fine-Grained Visual Categorization and Re-identification》 本文提出了一种基于因果推理的反事实注意力学习方法，可以让网络学到更有效的注意力。通过比较事实注意力和反事实注意力对最终的影响来评估注意力的质量，同时最大化二者的差异来鼓励网络学习更有效的视觉注意力。CAL仅在训练过程中引入了可忽略的额外计算成本，在测试过程中不会引入任何计算成本。
【深度学习】CV_基于CNN的图像分类模型_代码逐行注释解析
ColinCooper的博客
04-12 2705
基于CNN的图像分类模型，典型训练策略和网络模型。
Bilinear-CNN-TensorFlow-master.zip_Windows编程_LINUX_
08-10
双线性cnn的实现过程
细粒度论文笔记：双线性模型 《Bilinear CNN Models for Fine-Grained Visual Recognition》
小星星专栏
12-19 1万+
双线性模型是2015年提出的一种细粒度图像分类模型。该模型使用的是两个并列的CNN模型，这种CNN模型使用的是AlexNet或VGGNet去掉最后的全连接层和softmax层，这个作为特征提取器，然后使用SVM作为最后的线性分类器。当然，作者还在实验中尝试了多种方法，比如最后使用softmax但类别有所减少的分类器，作者在特征提取器上也有三种尝试，分别是使用两个AlexNet，使用一个AlexNe...
Bilinear CNN
小花生的博客
10-24 8610
Bilinear CNN 参考论文： Tsung-Yu Lin, Aruni RoyChowdhury, and Subhransu Maji. Bilinear CNN models for fine-grained visual recognition. ICCV 2015: 1449-1457. Tsung-Yu Lin, Aruni RoyChowdhury, and Subhransu...
Bilinear CNN 《Bilinear CNNs for Fine-grained Visual Recognition》
jessican_uestc的博客
10-23 3338
Bilinear CNN 《Bilinear CNNs for Fine-grained Visual Recognition》 深度学习成功的一个重要精髓，就是将原本分散的处理过程，如特征提取，模型训练等，整合进了一个完整的系统，进行端到端的整体优化训练。不过，在以上所有的工作中，我们所看到的都是将卷积网络当做一个特征提取器，并未从整体上进行考虑。最近，T.-Y. Lin、A.RoyChow...
Bilinear CNNs for Fine-grained Visual Recognition
cdknight_happy的专栏
10-23 1481
1 简介 细粒度识别即对隶属于同一类的目标进行分类，包括鸟的物种识别、汽车的型号识别和狗的品种识别。细粒度识别高度依赖目标的局部特征，例如，要将“加利福尼亚鸥”与“环嘴鸥”区分开来，需要识别其喙上的图案或它们羽毛的细微颜色差异。两类技术适合于解决细粒度分类任务。一是基于部件的识别模型，这些模型检测并提取部件的特征进行细粒度的类别区分。另一种方法是基于全局图像的整体模型。基于部件的模型往往更加精确，...
细粒度分析与Bilinear CNN model（附代码实现）
雷恩Layne
09-02 1万+
前言 有时，我们逛街时看到不同的狗，却不知道其具体品种，看到路边开满鲜花，却傻傻分不清具体是什么花。实际上，类似的问题在实际生活中屡见不鲜，人类尚且如此，更别说人工智能了。为了解决这一问题，研究者们提出了细粒度分析（fine-grained image analysis）这一专门研究物体精细差别的方向。 细粒度分析 细粒度分析任务相较于通用图像（general/generic images）任务的区别和难点在于其图像所属类别的粒度更为精细。下图为例，通用图像分类其任务诉求是将“袋鼠”和“狗”这两个物体大类（
动手学深度学习 PyTorch版 李沐 视频笔记
weixin_45729566的博客
08-06 496
04 数据操作+数据预处理。
深度学习实战笔记四：在自己处理的数据集上训练CNN网络并进行预测
qq_36281420的博客
05-05 1564
#cnn 识别狗狗类别 #用类构造代码 #dog图片的训练、保存 #预测以及结果输出 import os import numpy as np from PIL import Image from keras.models import Sequential from keras.layers import Convolution2D,Flatten,MaxPooling2D,Dense,Act...
matlab精度检验代码-bilinear-cnn:卷积神经网络的双线性池
05-22
matlab精度检验代码概述 该存储库包含用于训练双线性（二阶）CNN的PyTorch实现。 下面列出的系列作品研究了卷积特征的双线性合并以实现细粒度的识别。 该存储库构建对称的BCNN，它们将图像表示为CNN激活的协方差矩阵。 可以在PAMI 2017论文和中找到更多详细信息。 ，林宗玉，Aruni RoyChowdhury和Subhransu Maji，ICCV 2015 ，林宗玉和Subhransu Maji，CVPR 2016 ，林宗玉和Subhransu Maji，BMVC 2017 ，林宗玉，Aruni RoyChowdhury和Subhransu Maji，PAMI 2017 ，林宗玉，Subhransu Maji和Piotr Koniusz，ECCV 2018 特别是，我们提供以下代码： 训练BCNN模型 训练改进的BCNN模型（通过矩阵平方根归一化） 用二阶民主聚合训练CNN模型 使用BCNN表示法反转细粒度类别 前提条件可以通过pip install -r requirements.txt进行安装。 可以在项目网页中找到Matlab和MatConvNet中原始实现的
双线性池化（Bilinear pooling）tensorflow版
08-23
双线性池化（Bilinear pooling）tensorflow版，可以用于细粒度分类
compact bilinear pooling(tensorflow版本)
08-23
compact bilinear pooling(tensorflow版本)，可用于细粒度分类，特征融合
双线性卷积神经网络模型（Bilinear CNN)
热门推荐
weixin_44529634的博客
06-04 1万+
ICCV 2015 参考资料 摘要 双线性CNN模型：包含两个特征提取器，其输出经过外积相乘，池化后获得image descriptor feature fusion的方式有很多，所以在两个数据集上进行了三种方式的feature fusion结果比较。 很多广泛使用的texture representation可以被表示为两个设计合理的特征的outer product。 2018Data Fold-1 Fold-2 Fold-3 Fold-4 Fold-5 avg 外积 0.90309
深度学习图像处理：双线性CNN (Bilinear cnn)- 细粒度图像分类模型
qq_16236875的博客
03-07 1万+
定义:双线性CNN 包括两个特征提取器，其输出经过外积相乘，池化后获得图像描述子 优点: 以平移不变的方式，对局部的对级(pairwise)特征交互建模； 能够泛化多种顺序无关的特征描述子，如Fisher向量，VLAD（局部聚合向量，把图像表示为向量），O2P(使用二阶池化方法描述特) 。在实验中CNN 作为特征提取器的双线模型。 双线性形式简化了梯度计算，能够对两个网络在...
Bilinear CNN Models for Fine-grained Visual Recognition-笔记
雪碧橙子
05-01 1734
我们提出一个新的识别结构：bilinear CNN，它是由两个特征提取器组成，它们的输出在对应的位置进行外积相乘，形成最好的图像表示。
Bilinear CNN Models for Fine-grained Visual Recognition论文总结
DBG的博客
11-16 9194
双线性定义：包含两个特征提取器，其输出经过外积(外积WiKi)相乘、池化后获得图像描述子。 -作者思路 局部模型高效性的原因：本文中，作者声称局部推理的高效性在于其与物体的位置及姿态无关。纹理表示通过将图像特征进行无序组合的设计，而获得平移无关性。 纹理表征性能不佳的思考：基于SIFT及CNN的纹理表征已经在细粒度物体识别上显示出高效性，但其性能还亚于基于局部模型的方法。其可能原因就是纹理表示的...
Bilinear CNN与 Randomly Wired Neural Network
weixin_30768175的博客
04-11 246
最近主要学习了两篇论文以及相关的代码。 1、Bilinear CNN 这篇论文主要是在细粒度分类上应用的，在全连接层之前，在所有的卷积计算完成之后，进行的Bilinear计算，关键的代码如下： def forward(self, X): """Forward pass of the network. Args: ...
论文笔记--Bilinear CNN Models for Fine-grained Visual Recognition
qq_45542288的博客
01-09 338
在不使用边框信息的CUB-200-2011的训练结果上，加入平方根+l2归一化的准确率为75.1%，仅使用l2归一化时为71.7%，不进行归一化时为69.3%，具有巨大的性能差异，值得之后思考和实验尝试。具体的网络架构中，作者将两组不同的CNN分别称为M-Net和D-Net。在网络的前向传播过程中，输入图像在经过卷积网络，sum-pooling，square-root和l2归一化后，D-Net的输出大小为28x28，M-Net的输出大小为27x27。为了方便之后的合并，作者舍去了D-Net的一行和一列。
BilinearCNN理解
最新发布
02-23
当应用于深度学习驱动下的图像识别任务时，特别是针对那些需要区分非常相似物体的情况——比如不同种类鸟类或是特定型号车辆的照片——Bilinear CNN展现出了卓越的表现力。这是因为其独特的内部机制允许模型更加关注...
评论 2
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