Mask-CNN Localizing Parts and Selecting Descriptors for Fine-Grained Image Recognition

最新推荐文章于 2024-04-13 09:38:34 发布
原创 最新推荐文章于 2024-04-13 09:38:34 发布 · 989 阅读 · 4
标签
#神经网络 #卷积
文章介绍了Mask-CNN模型，它利用全卷积网络进行部分定位，并生成对象/部分蒙版选择有用的卷积描述符。在CUB-200-2011数据集上，该模型实现了85.5%的识别精度，同时表现出优秀的部分定位和对象分割性能。与现有方法相比，Mask-CNN具有更少的参数和更低的特征维数。

Mask-CNN: Localizing Parts and Selecting Descriptors for Fine-Grained Image Recognition

作者：魏秀参，Chen-Wei Xie，Jianxin Wu

来自：南京大学新型软件技术国家重点实验室

Abstract

细粒度的图像识别是一个具有挑战性的计算机视觉问题，这是由于由高度相似的下属类别引起的较小的类别间变化以及姿势，比例和旋转的较大的类别内变化。在本文中，我们提出了一种新颖的端到端Mask-CNN模型，该模型无需全连接的层即可进行细粒度的识别。基于细粒度图像的部分注释，提出的模型由一个全卷积网络组成，该网络既可以定位有区别的部分（例如，头部和躯干），更重要的是可以生成对象/部分蒙版，以选择有用的卷积描述。之后，建立了一个四流Mask-CNN模型，用于同时聚合所选的对象级和零件级描述符。与最新的细粒度方法相比，提出的Mask-CNN模型具有最少的参数数量，最低的特征维数和最高的识别精度。

1 Introduction

在深度学习时代，表示部件的一种直接方法是使用深度卷积特征/描述符。与全连接层（即整个图像）的特征相比，卷积描述符包含更多的局部（即部分）信息。另外，已知这些深度描述符对应于中级信息，例如对象部分[20]。 先前所有基于部分的细粒度方法（例如[6、10、21、24]）直接使用深度卷积描述符并将其编码为单个表示，而不评估获得的对象/部分深度描述符的有用性。 通过使用强大的卷积经网络[9]，我们可能不需要选择特征向量内的有用维，就像我们对手工特征进行的操作[3，22]。 但是，由于

最低0.47元/天 解锁文章
Mask R-CNN讲解
weixin_43702653的博客
04-24 3万+
Mask R-CNN最全讲解
Mask R-CNN原理及发展历程
weixin_43996099的博客
07-17 2683
2017年，何凯明等人在Faster R-CNN的基础上融入了语义分割网络，提出Mask R-CNN，在目标检测的基础上实现物体的像素级分割，即实例分割。基于Mask R-CNN模型的算法当前已应用在人脸识别、遥感目标识别、车辆行人检测、工业CT图像缺陷检测、医疗辅助检测等多个领域，是R-CNN系列的集大成之作。为了更好地理解Mask R-CNN模型的原理，接下来先后从R-CNN、Fast R-CNN到Faster R-CNN的演化之路介绍，基于此，再介绍Mask R-CNN。
Mask-CNN: Localizing Parts and Selecting Descriptors for Fine-Grained Image Recognition
椰子奶糖的博客
09-02 656
Mask-CNN: Localizing Parts and Selecting Descriptors for Fine-Grained Image Recognition 文章目录Mask-CNN: Localizing Parts and Selecting Descriptors for Fine-Grained Image Recognition参考IntroductionThe Mask-CNN ModelLearning Object and Part MasksTraining Mask-C
论文阅读（Wei Xiu-Shen : Mask-CNN:Localizing parts and selecting descriptors for fine-grained bird specie...
weixin_30646505的博客
03-06 898
这是2017年中旬投到PR的一篇关于细粒度检测和分类的文章。 一作是南大的魏博士，目前任 旷视科技Face++南京研究院研究主任（负责人） 论文地址：https://arxiv.org/abs/1605.06878 0.ABSTRACT： 细粒度（fine-grained）图像识别主要有两个难点： 　　1）类间差异小（都属于同一个物种下的小类） 　　2）类内差异大（受姿态、尺度和旋转...
使用Mask-RCNN训练自己的数据集看这一篇就够了，从制作数据集开始一步步教你如何玩转Mask-RCNN（保姆级教程）
ekekex的博客
04-15 2万+
使用Mask_RCNN训练自己的数据集的方法，教你从零开始训练自己的Mask_RCNN模型。
细粒度图像识别算法Mask-CNN
qq_29462849的博客
05-16 6232
1 简介 传统的图像识别一般都是识别花、鸟、汽车等不同类别物体，而细粒度图像识别则是要识别同一类物体下的不同子类。举个例子，识别一张图片是猫、狗、汽车还是飞机就是传统的图像识别，而识别一张图片是贵宾犬、边境牧羊犬、吉娃娃还是斗牛犬，则是细粒度图像识别。不同的犬类相似性一般都很高，比如下面的哈士奇和阿拉斯加雪橇犬，如果事先不知道它们有差别的部位，很难正确识别。现在图像识别大都使用卷积神经网络CN...
mask-rcnn原理与实战
qq_46454669的博客
11-15 8077
Mask R-CNN论文的主要贡献包括以下几点：分析了ROI Pool的不足，提升了ROIAlign，提升了检测和实例分割的效果；将实例分割分解为分类和mask生成两个分支，依赖于分类分支所预测的类别标签来选择输出对应的mask。同时利用Binary Loss代替Multinomial Loss，消除了不同类别的mask之间的竞争，生成了准确的二值mask；并行进行分类和mask生成任务，对模型进行了加速。
Mask R-CNN详解（图文并茂）
weixin_45074568的博客
03-09 2万+
Mask R-CNN Mask R-CNN是一个实例分割（Instance segmentation）算法，主要是在目标检测的基础上再进行分割。Mask R-CNN算法主要是Faster R-CNN+FCN，更具体一点就是ResNeXt+RPN+RoI Align+Fast R-CNN+FCN，如下图所示。 Mask R-CNN的创新点有： 1 .Backbone：ResNeXt-101+FPN 2. RoI Align替换RoI Pooling Mask R-CNN算法步骤： 1.输入一张图片，进行
计算机视觉——Mask R-CNN实例分割原理与算法应用
知来者逆的博客
04-13 6073
Mask R-CNN 适用于复杂任务，因为它既能进行像素级分割，又能进行物体定位。该方法可同时执行检测、分割和关键点估算，在各种应用中表现出色。在人工智能领域，它是对物体识别和分割的发展做出贡献的模型范例，在现实世界的计算机视觉任务中表现出色。
Mask RCNN源码详解
qq_52053775的博客
07-21 3889
Mask-RCNN使用ResNet101有两个基本的块，ConvBlock的结构如下IdentityBlock的结构如下这两个都是残差网络结构。这两个都是残差网络结构。以官方使用的coco数据集输入的shape为例，输入的shape为1024x1024，shape变化如下我们取出长宽压缩了两次、三次、四次、五次的结果来进行特征金字塔结构的构造。............
【深度学习|图像分割】Faster-RCNN 和 Mask-RCNN详解
传统图像处理，深度学习，目标检测（分类，检测，分割），多目标追踪，部署等
02-04 1万+
图像分割：图像分割是对图像中属于特定类别的像素进行分类的过程叫图像分割，属于pixel-wise即像素级别的下游任务。简单来说，图像分割就是按像素进行分类的问题。传统的图像分割算法是基于灰度值的不连续性和相似的性质来进行分割，而深度学习则是利用卷积神经网络，来理解图像中的每个像素所代表的含义。基于深度学习的图像分割技术主要分为这两类：语义分割及实例分割。将完整的图像输入特征提取网络得到特征图使用RPN结构生成候选框信息，将RPN生成的候选框位置投影到原始的特征图的对应位置，得到对应的特征矩阵。
论文阅读笔记（二）细粒度图像分类
热门推荐
huang2818138的博客
10-03 2万+
0、参考文献 [1]见微知著 http://geek.csdn.net/news/detail/191718 [2]Cyiano http://blog.csdn.net/Cyiano/article/details/72081855 1、概要 细粒度图像识别是现在图像分类中一个颇具挑战性的任务，它的目标是在一个大类中的数百数千个子类中正确识别目标。 相同的子类中物体的动作姿态可能大不相
细粒度图像识别算法Mask-CNN 论文笔记
Cyiano的博客
05-09 1万+
传统的图像识别一般都是识别花、鸟、汽车等不同类别物体，而细粒度图像识别则是要识别同一类物体下的不同子类。举个例子，识别一张图片是猫、狗、汽车还是飞机就是传统的图像识别，而识别一张图片是贵宾犬、边境牧羊犬、吉娃娃还是斗牛犬，则是细粒度图像识别。不同的犬类相似性一般都很高，比如下面的哈士奇和阿拉斯加雪橇犬，如果事先不知道它们有差别的部位，很难正确识别。
MASK R-CNN网络介绍
chase
03-11 6557
MASK R-CNN网络介绍
Mac上用brew安装cmake
09-30 7514
安装 打开brew官网：https://brew.sh/ 安装就一句脚本：/bin/bash -c “$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install.sh)” 报错 安装到com.apple.dt.CommandLineTools.installondemand.in-progress 时报错， 手动去苹果网站下载Xcode Command Line Tools：https://developer.
Mask R-CNN解读
不积跬步，无以至千里！
12-16 2004
实例分割经典论文解读！
【网络中的网络NiN与GoogleNet】
chenjunheaixuexi的博客
06-21 783
全连接层的问题大量的参数会带来很多问题NiN块 总结  从LeNet到NiN，每个模型都有着各自的特点   但是有这么多选择，我们到底应该如何选择？4个路径从不同层面抽取信息，然后在输出通道维合并 以上四种方式都没有改变输入的高和宽，因此对于Concatention操作我们只需要将其在通道数上做合并，因此输出只改变了输入的通道数为什么要用Inception块一共分为5各阶段，使用了9个Inception块最后使用了全局AvgPooling代替了全连接层Stage1&2（更小的宽口。可以支撑模型走得更深）
细粒度图像分析进展综述
holy的博客
07-14 1万+
转自：https://zhuanlan.zhihu.com/p/24738319 大家应该都会有这样的经历：逛街时看到路人的萌犬可爱至极，可仅知是“犬”殊不知其具体品种；初春踏青，见那姹紫嫣红丛中笑，却桃杏李傻傻分不清……实际上，类似的问题在实际生活中屡见不鲜。如此问题为何难？究其原因，是普通人未受过针对此类任务的专门训练。倘若踏青时有位资深植物学家相随，不要说桃杏李花，就连差别甚微的青青河
一些很好的细粒度分类文章和他们的博客地址 fine-grained paper
小星星专栏
12-20 1252
1) https://blog.csdn.net/Cyiano/article/details/72081855  Object-Part Attention Driven Discriminative Localization for Fine-grained Image Classification (CVPR2017) 2) https://blog.csdn.net/HongYuSui...
深度学习细颗粒图像分析综述
JianqiuChen的博客
04-12 4018
深度学习细颗粒图像分析综述（图像识别）      计算机视觉（CV）是使用机器理解和分析图像的过程，这是人工智能的组成部分。在CV的各个研究领域中，细粒度图像分析（FGIA）是一个长期存在的基本问题，并且已在各种实际应用中无处不在。 FGIA的任务旨在分析从属类别（例如，鸟类或汽车模型）中的视觉对象。细粒度性质导致的小类间差异和大的类内差异使其成为...
评论 1
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