阅读 125

最新综述--细粒度图像分析资源

引言

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

www.weixiushen.com/project/Awe…

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. www.weixiushen.com/tutorial/PR…
  2. www.icme2019.org/conf_tutori…

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:arxiv.org/abs/1907.03…

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

论文地址:link.springer.com/article/10.…

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:openaccess.thecvf.com/content_CVP…

端到端特征编码

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

论文地址:openaccess.thecvf.com/content_CVP…

Github: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:github.com/sxzrt/Learn…

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:www.weixiushen.com/project/SCD…

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:www.ijcai.org/proceedings…

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

论文地址:mac.xmu.edu.cn/rrji/papers…

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:openaccess.thecvf.com/content_ICC…

Github:github.com/tkazusa/CVA…

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

论文地址:openaccess.thecvf.com/content_CVP…

Github:github.com/kkanshul/fi…

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:openaccess.thecvf.com/content_cvp…

Github:github.com/taoxugit/At…

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:www.weixiushen.com/publication…

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:ai.stanford.edu/~tgebru/pap…

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

论文地址:openaccess.thecvf.com/content_cvp…

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

论文地址:arxiv.org/abs/1901.07…

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:arxiv.org/abs/1907.03…

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:

zhuanlan.zhihu.com/p/24738319

欢迎关注我的微信公众号--算法猿的成长,或者扫描下方的二维码,大家一起交流,学习和进步!

关注下面的标签,发现更多相似文章
评论