计算机视觉
关注
分享
扫一扫
文章平均质量分 50
小星星*
举一反三 见微知著
展开
-
2019年12月 视觉顶会论文收集
**最新视觉顶会论文收集 -- 细粒度分类，也包含部分目标检测论文，可能会对细粒度分类有启发**CVPR 2019细粒度分类Zheng H, Fu J, Zha Z J, et al. Looking for the Devil in the Details: Learning Trilinear Attention Sampling Network for Fine-grained I...原创 2019-12-16 10:11:14 · 1335 阅读 · 0 评论 -
计算机视觉领域 CCF重要期刊/国际会议
一. CCF推荐国际会议分类1. A类会议2. B类会议3. C类会议二. CCF推荐国际期刊分类1. A类期刊2. B类期刊3. C类期刊三. 重要中文期刊原创 2019-12-10 10:19:53 · 4415 阅读 · 4 评论 -
知识点：SIFT特征
注：本次整理的内容，参考资料来源多个网页，由于时间较早，具体网址记不清了。如有侵权见谅，立删SIFT的全称是Scale Invariant Feature Transform，尺度不变特征变换，是一种非常稳定的局部特征。SIFT特征具有以下特点：1，图像的局部特征，对旋转、尺度缩放、亮度变化保持不变，对视角变化、仿射变换、噪声也保持一定程度的稳定性；2，独特性好，信息量丰富，适用于...原创 2018-12-19 11:04:56 · 1088 阅读 · 0 评论 -
细粒度论文笔记：双线性模型 《Bilinear CNN Models for Fine-Grained Visual Recognition》
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...原创 2018-12-19 10:57:29 · 14938 阅读 · 20 评论 -
简单的一维线性回归-pytorch
代码来自书籍《深度学习入门之pytorch》，书里有几个错误，修改好了import matplotlib.pyplot as pltimport torchfrom torch import nnfrom torch import optimfrom torch.autograd import Variableimport numpy as npx_train = np.a...原创 2018-12-24 09:16:09 · 1046 阅读 · 0 评论 -
细粒度图像分类 fine-grained classification
细粒度图像分类又被称作子类别图像分类，是近年来计算机视觉、模式识别等领域的研究热点，其目的是对粗粒度的大类别进行更加细致的子类划分。但由于子类别间的细微差别以及较大的类内差异，较之普通的图像分类任务，细粒度图像分类的难度更大。 早期的基于人工特征的算法表达能力有限，分类效果也有很大的局限性。深度学习的兴起促进了该领域的发展，传统的人工标注信息制约了算法实用性，更多的算法不再依赖人工...原创 2018-12-09 11:59:22 · 24152 阅读 · 3 评论 -
论文笔记《Active Convolution: Learning the Shape of Convolution for Image Classification》
研究背景近年来，深入学习在许多计算机视觉应用中取得了巨大的成功。传统的卷积神经网络（CNN）成为最近几年计算机视觉研究的主要方法。 AlexNet 迄今为止，关于CNN的大多数研究集中在开发诸如Inception , residual networks的这种网络结构上。 卷积单元通常设置为3*3，5*5，11*11 这种固定的卷积单元。但是卷积层是CNN的核心，却很少有研究针对卷积单元本...原创 2018-12-09 11:03:59 · 1061 阅读 · 0 评论 -
论文笔记《Very Deep Convolutional Networks for Large-Scale Image Recognition》
VGGNet在2014年的ILSVRC竞赛上，获得了top-1 error的冠军和top-5 error的第二名，错误率分别为24.7%和7.3%，top-5 error的第一名是GoogLeNet 6.7%。在图片定位任务中，也获得了冠军。网络层数由之前的AlexNet 的8层提高到了最高19层（网络E）。其突出贡献在于，证明使用很小的卷积（3*3），增加网络深度，可以有效提升模型的效果。并且V...原创 2018-12-09 10:42:19 · 338 阅读 · 0 评论 -
论文笔记《ImageNet Classification with Deep Convolutional Neural Networks》
AlexNet在ImageNet LSVRC-2012上取得了top-1 和top-5错误率分别为37.5%和17.0%的好成绩，获得了冠军。它使用的神经网络有600000个参数，650000个神经元，五个卷积层和三个全连接层，并且使用了双GPU进行训练。采用的数据集是ImageNet数据集，包含22000种类别共150多万张带标签的高分辨率图像。ILSVRC是ImageNet的子集，包含10...原创 2018-12-09 10:40:20 · 245 阅读 · 0 评论 -
细粒度论文笔记《The application of two-level attention models in deep convolutional neural network for FGVC》
这篇文章是2015年的，作者使用提出了两级注意力的方法，来进行细粒度分类。以鸟类分类为例。作者在object-level和part-level两个级别分别对鸟进行分类，将得到的分数相加综合后得到最后的分类结果。上图是鸟分类在object-level的一个流程图，先用selective search从原始图片中提取大量的patch,然后使用ImageNetI 的LSVRC竞赛使用的Ale...原创 2018-12-19 11:09:22 · 3232 阅读 · 5 评论 -
细粒度论文笔记《Fully Convolutional Networks for Semantic Segmentation》
FCN 的全称是Fully Convolutional Networks，即全卷积网络。通常的CNN是在若干个卷积层之连接上若干个全连接层，将卷积层产生的特征图映射成一个固定长度的特征向量。例如，AlexNet就是五个卷积层后面连接三个全连接层，它在Imagenet数据集上的输出就是一个1000维的向量，表示图像属于每一类的概率（通过softmax产生最后的预测）。 FCN的出现最...原创 2018-12-19 11:18:51 · 1256 阅读 · 0 评论 -
CAM方法获取显著图：基于pytorch的实现
CAM方法获取显著图：基于pytorch的实现1、下载代码2、具体代码（1）导入需要的模块（2）具体代码详解（3）生成结果转：CAM实践：基于pytorch的使用方法原文地址：https://cloud.tencent.com/developer/article/1370937非原创，直接copy的网上的，懒得打字，不喜勿喷1、下载代码git clone https://github.c...转载 2019-02-24 13:43:27 · 15915 阅读 · 6 评论 -
细粒度论文笔记《Large Scale Fine-Grained Categorization and Domain-Specific Transfer Learning》重点内容翻译
摘要： 通过微调来迁移从大规模数据集（如ImageNet）上获得的知识，为特定领域的细粒度视觉分类（FGVC）任务提供了有效的解决方案。在这种情况下，数据注释通常需要专门的领域知识，因此难度很大。在这项工作中，我们首先解决了大规模FGVC中的问题。我们的方法在iNaturalist 2017大规模物种分类挑战中获得第一名。方法成功的核心是使用更高分辨率的图像，并处理训练数据的长尾分...原创 2019-03-26 19:55:28 · 1462 阅读 · 0 评论 -
原创《基于深度特征学习的细粒度图像分类研究综述》
声明：本文原创，未经本人同意，禁止任何形式的转载！！！后记：这篇文章虽然是19年放出来，但是是我在18年初的时候写的，所以文中引用的方法都是17年以前的，有点过时了，现在又出现了好多新方法，最高的在CUB上的精确度已经达到了91%左右摘 要 深度学习技术已经在各种视觉分析任务中展现出了其强大的特征提取能力。特别是在细粒度图像分类领域，深度特征提取技术让其获得了巨大的性能提升。基于...原创 2019-06-14 18:58:44 · 16613 阅读 · 2 评论 -
CVPR2019论文
CVPR2019 所有论文http://openaccess.thecvf.com/CVPR2019.pyCVPR2019所有论文 打包下载百度网盘 链接: https://pan.baidu.com/s/1u5NHFmj11kcKW6CZdCShxg 提取码: r9ca极市整理的论文及相关资源https://github.com/extreme-assistant/cvp...原创 2019-06-03 10:38:34 · 707 阅读 · 0 评论 -
2019CVPR细粒度论文笔记《Destruction and Construction Learning for Fine-grained Image Recognition》
CVPR2019的一篇细粒度分类，京东AI研究院：Chen Y, Bai Y, Zhang W, Mei T. Destruction and Construction Learning for Fine-Grained Image Recognition. InProceedings of the IEEE Conference on Computer Vision and Pattern ...原创 2019-06-16 22:40:16 · 15245 阅读 · 27 评论 -
简易方法 采用CAM方法获取显著图和包围盒
# coding=utf-8# simple implementation of CAM in PyTorch for the networks such as ResNet, DenseNet, SqueezeNet, Inceptionimport ioimport requestsfrom PIL import Imagefrom torchvision import model...原创 2019-06-25 15:15:32 · 1274 阅读 · 6 评论 -
细粒度分类-基于子类别相似度度量的双线性CNN模型
亲爱的 Professor Dai 的一片SCI论文，存个档Bilinear CNN Model for Fine-Grained Classification Based on Subcategory-Similarity Measurement原创 2019-06-25 15:22:20 · 609 阅读 · 2 评论 -
ResNet，GoogleNet的基本架构，与VGGNet，AlexNet等网络的对比和创新点。
结构： GoogleNet提出了一种Inception结构，如上右图，从上一层到下一层的时候，分出四块，每块具有不同的卷积核，然后汇合在下面，使用了一个concrete层。好处在于，采用不同大小的卷积核意味着不同大小的感受野，最后拼接意味着不同尺度特征的融合。之所以卷积核大小采用1、3、5，主要是为了方便对齐。设定卷积步长stride=1之后，只要分别设定pad=0、1、2，那么...原创 2018-12-09 11:55:33 · 4290 阅读 · 0 评论 -
简洁版 CVPR-2017论文笔记《Active Convolution: Learning the Shape of Convolution for Image Classification》
作者提出一种灵活的卷积单元，形状在训练中学习得到，这种结构使得网络具有更强的表达能力。这篇论文提出了一种新的卷积单元，主动卷积单元ACU（Active Convolution Unit）,在次之前，从AlexNet到如今的ResNet，GoogleNet等各种网络架构的提出，人们研究的基本上都是网络的结构，而很少有人关注卷积单元本身，作者提出的ACU具有灵活的特性，卷积单元的形状不是固定的，而...原创 2018-12-09 11:54:41 · 535 阅读 · 0 评论 -
细粒度论文笔记《Object-Part Attention Model for Fine-grained Image Classification》
这篇文章的作者是之前的two level attention model 的作者，作者对之前的两级注意力模型上做出了许多改进，取得了非常好的效果。超过目前的其他方法。 之前的细粒度分类的方法都有以下两个限制，1，过分依赖object或part annotation，2，忽视了object 和part之间的空间关系以及parts之间的关系。作者将提出的模型称为OPAM模型。...原创 2018-12-19 14:19:18 · 1559 阅读 · 0 评论 -
细粒度论文笔记 ：MACNN 和 PDFR
两篇论文1，H. Zheng, J. Fu, T. Mei and J. Luo, Learning Multi-attention Convolutional Neural Network for Fine-Grained Image Recognition,2017 IEEE International Conference on Computer Vision (ICCV), Veni...原创 2018-12-19 14:21:15 · 3717 阅读 · 0 评论 -
细粒度论文笔记《Fully convolutional attention localization networks for FGVC》
X. Liu, T. Xia, J. Wang, Y. Q. Lin. Fully convolutional attention localization networks: Efficient attention localization for f-ine-grained recognition. arXiv:1603.06765, 2016 文中作者提出一种基于强化学...原创 2018-12-19 14:23:25 · 947 阅读 · 0 评论 -
细粒度论文《Large Scale Fine-Grained Categorization and Domain-Specific Transfer Learning》理解
Yin C, Yang S, Chen S, et al. Large Scale Fine-Grained Categorization and Domain-Specific Transfer Learning. In CVPR, 2018. 这篇论文是目前发表的细粒度分类性能最高的一篇论文，在CUB200数据集上取得了89.6的分类准确率，超过之前最好的结果3%。本文提...原创 2018-12-19 14:25:23 · 1327 阅读 · 0 评论 -
细粒度论文笔记《Webly Supervised Learning Meets Zero-Shot Learning: A Hybrid Approach for FGVC 》
L. Liu, A. Veeraraghavan, A. Sabharwal. Webly Supervised Learning Meets Zero-Shot Learning: A Hybrid Approach for Fine-Grained Classification. In CVPR, 2018. 针对目前细粒度分类的两个问题：1，细粒度的标注信息的获取需要...原创 2018-12-19 14:27:06 · 725 阅读 · 0 评论 -
细粒度论文笔记《Higher-Order Integration of Hierarchical Convolutional Activations for Fine-Grained Visual》
Cai S, Zuo W, Zhang L. Higher-Order Integration of Hierarchical Convolutional Activations for Fine-Grained Visual Categorization[C]// IEEE International Conference on Computer Vision. IEEE Computer So...原创 2018-12-19 14:35:26 · 1108 阅读 · 0 评论 -
细粒度论文笔记《Object-Part Attention Model for Fine-grained Image Classification》
Peng Y, He X, Zhao J. Object-Part Attention Model for Fine-grained Image Classification. Proc. CVPR, 2017.提出的方法：OPAM，弱监督，模型的主要创新点：1，整合两级注意力，object-level and part –level。object-level定位图像中的object，part...原创 2018-12-20 12:32:23 · 516 阅读 · 2 评论 -
一些很好的细粒度分类文章和他们的博客地址 fine-grained paper
1) https://blog.youkuaiyun.com/Cyiano/article/details/72081855 Object-Part Attention Driven Discriminative Localization for Fine-grained Image Classification (CVPR2017)2) https://blog.youkuaiyun.com/HongYuSui...原创 2018-12-20 12:32:55 · 1205 阅读 · 0 评论 -
论文笔记《Densely Connected Convolutional Networks》
DenseNet是CVPR2018的oral，文章提出的DenseNet是一种密集连接的网络，主要启发来自于之前的ResNet的Inception结构和stochastic depth。残差网络的Inception结构里面，网络的输入来源于上层网络的输出和上层网络的输入，随机深度网络采用了一种类似dropout的策略，只是随机失效的是网络层，而不是每层的某些像素，这样形成了随机深度。...原创 2018-12-09 11:19:26 · 316 阅读 · 0 评论 -
计算机视觉、机器学习相关领域论文和源代码大集合
计算机视觉、机器学习相关领域论文和源代码大集合--持续更新……注：下面有project网站的大部分都有paper和相应的code。Code一般是C/C++或者Matlab代码。最近一次更新：2013-3-17一、特征提取Feature Extraction：· SIFT [1] [Demo program][SIFT Library] [VLFeat]· ...转载 2018-01-04 22:09:15 · 346 阅读 · 0 评论