論文の概要: Enhancing Fine-Grained Classification for Low Resolution Images

• arxiv url: http://arxiv.org/abs/2105.00241v1
• Date: Sat, 1 May 2021 13:19:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-04 14:04:46.602127
• Title: Enhancing Fine-Grained Classification for Low Resolution Images
• Title（参考訳）: 低解像度画像の細粒度分類の精度向上
• Authors: Maneet Singh, Shruti Nagpal, Mayank Vatsa, Richa Singh
• Abstract要約: 低解像度画像は、限られた情報内容の固有の課題と、サブカテゴリ分類に有用な詳細の欠如に悩まされる。 本研究では,補助情報を用いて分類の識別的特徴を学習する,新たな属性支援損失を提案する。 提案する損失関数により、モデルは属性レベルの分離性を取り入れながら、クラス固有の識別特徴を学習することができる。
• 参考スコア（独自算出の注目度）: 97.82441158440527
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low resolution fine-grained classification has widespread applicability for applications where data is captured at a distance such as surveillance and mobile photography. While fine-grained classification with high resolution images has received significant attention, limited attention has been given to low resolution images. These images suffer from the inherent challenge of limited information content and the absence of fine details useful for sub-category classification. This results in low inter-class variations across samples of visually similar classes. In order to address these challenges, this research proposes a novel attribute-assisted loss, which utilizes ancillary information to learn discriminative features for classification. The proposed loss function enables a model to learn class-specific discriminative features, while incorporating attribute-level separability. Evaluation is performed on multiple datasets with different models, for four resolutions varying from 32x32 to 224x224. Different experiments demonstrate the efficacy of the proposed attributeassisted loss for low resolution fine-grained classification.
• Abstract（参考訳）: 低解像度のきめ細かい分類は、監視やモバイル写真などの遠隔地でデータをキャプチャするアプリケーションに適用可能である。 高解像度画像による細粒度分類は注目されているが,低解像度画像には限定的な注意が払われている。 これらの画像は、限定的な情報内容と、サブカテゴリ分類に有用な詳細情報がないという固有の課題に苦しむ。 この結果、視覚的に類似したクラスのサンプル間でクラス間の変動が低くなる。 これらの課題に対処するため,本研究では,アシラリー情報を用いて識別的特徴を識別する新たな属性支援損失を提案する。 提案した損失関数は,属性レベルの分離性を取り入れたモデルで,クラス固有の識別的特徴を学習することができる。 異なるモデルを持つ複数のデータセット上で、32x32から224x224までの4つの解像度で評価が行われる。 異なる実験により,低分解能細粒度分類における属性支援損失の有効性が示された。

関連論文リスト

• High-Discriminative Attribute Feature Learning for Generalized Zero-Shot Learning [54.86882315023791]
  一般化ゼロショット学習(HDAFL)のための高識別属性特徴学習(High-Discriminative Attribute Feature Learning)という革新的な手法を提案する。 HDAFLは複数の畳み込みカーネルを使用して、画像の属性と高い相関性を持つ識別領域を自動的に学習する。 また、属性間の識別能力を高めるために、Transformerベースの属性識別エンコーダを導入する。
  論文  参考訳（メタデータ） (2024-04-07T13:17:47Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• A Compositional Feature Embedding and Similarity Metric for Ultra-Fine-Grained Visual Categorization [16.843126268445726]
  きめ細かい視覚分類(FGVC)は、クラス間の差異が小さいオブジェクトを分類することを目的としている。 本稿では,超微細な視覚分類のための新しい構成的特徴埋め込みと類似度指標(CECS)を提案する。 最近のベンチマーク手法を用いた2つの超FGVCデータセットと1つのFGVCデータセットの実験結果から,提案手法が最先端性能を実現することを一貫して示している。
  論文  参考訳（メタデータ） (2021-09-25T15:05:25Z)
• Region-level Active Learning for Cluttered Scenes [60.93811392293329]
  本稿では,従来の画像レベルのアプローチとオブジェクトレベルのアプローチを一般化した領域レベルのアプローチに仮定する新たな戦略を提案する。 その結果,本手法はラベル付けの労力を大幅に削減し,クラス不均衡や散らかったシーンを生かしたリアルなデータに対する希少なオブジェクト検索を改善することが示唆された。
  論文  参考訳（メタデータ） (2021-08-20T14:02:38Z)
• Mutual Information-based Disentangled Neural Networks for Classifying Unseen Categories in Different Domains: Application to Fetal Ultrasound Imaging [10.504733425082335]
  ディープニューラルネットワークは、異なる絡み合ったドメイン特徴とカテゴリ特徴を持つ画像間の限定的な一般化性を示す。 本稿では,MIDNet(Multual Information-based Disentangled Neural Networks)を提案する。 2つの異なる画像分類タスクのための胎児超音波データセットについて,提案手法を広範囲に評価した。
  論文  参考訳（メタデータ） (2020-10-30T17:32:18Z)
• Attention Model Enhanced Network for Classification of Breast Cancer Image [54.83246945407568]
  AMENはマルチブランチ方式で、画素ワイドアテンションモデルとサブモジュールの分類で定式化される。 微妙な詳細情報に焦点を合わせるため、サンプル画像は、前枝から生成された画素対応の注目マップによって強化される。 3つのベンチマークデータセットで行った実験は、様々なシナリオにおいて提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2020-10-07T08:44:21Z)
• Discriminative Residual Analysis for Image Set Classification with Posture and Age Variations [27.751472312581228]
  識別残差分析(DRA)は分類性能を向上させるために提案される。 DRAは、残差表現を識別部分空間にキャストする強力な射影を得ようとする。 2つの正則化アプローチは、可能な小さなサンプルサイズ問題に対処するために使用される。
  論文  参考訳（メタデータ） (2020-08-23T08:53:06Z)
• Contraction Mapping of Feature Norms for Classifier Learning on the Data with Different Quality [5.47982638565422]
  本稿では,訓練画像の特徴規範の範囲を品質に応じて圧縮する縮約写像関数を提案する。 手書き文字認識、肺結節分類、顔認証、顔認識など、様々な分類応用の実験は、提案手法が有望であることを実証している。
  論文  参考訳（メタデータ） (2020-07-27T09:53:55Z)
• Capturing scattered discriminative information using a deep architecture in acoustic scene classification [49.86640645460706]
  本研究では,識別情報を捕捉し,同時に過度に適合する問題を緩和する様々な手法について検討する。 我々は、ディープニューラルネットワークにおける従来の非線形アクティベーションを置き換えるために、Max Feature Map法を採用する。 2つのデータ拡張方法と2つの深いアーキテクチャモジュールは、システムの過度な適合を減らし、差別的なパワーを維持するためにさらに検討されている。
  論文  参考訳（メタデータ） (2020-07-09T08:32:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。