主页
2016-11-12：本研究室独立完成的1篇论文被人工智能领域顶级国际会议AAAI 2017录用为长文
本研究室的1篇论文Xiangteng He and Yuxin Peng, "Weakly Supervised Learning of Part Selection Model with Spatial Constraints for Fine-grained Image Classification"被AAAI 2017录用为长文。AAAI是人工智能领域顶级国际会议，也是CCF推荐的A类会议，本次共有2590 篇论文提交，接收率低于25%。祝贺何相腾同学！
细粒度图像分类具有类间差距小而类内变化大的特点，是计算机视觉中的一个困难问题。由于有辨识力的特征集中于物体区域，物体定位以及显著性的局部区域选择对于图像细分类能起到关键性的作用。但是传统的物体定位以及局部区域选择方法存在两个问题：1. 需要利用物体位置甚至局部区域的标注信息；2. 忽视了物体与局部区域之间以及局部区域之间的空间位置关系。针对上述问题，提出了一种基于空间约束的局部区域选择弱监督学习方法，利用物体与局部区域之间以及局部区域之间的空间关系约束实现了显著性局部区域的有效选择，两种空间约束对于局部区域选择以及图像分类准确率均有较大提升，两者融合也进一步取得了更高的准确率。此外，相比于现有方法，该方法的训练无需物体边界、位置等额外标注信息，能够节约大量的人工标注成本，适合扩展到大规模数据集的图像细分类应用。
细粒度图像分类具有类间差距小而类内变化大的特点，是计算机视觉中的一个困难问题。由于有辨识力的特征集中于物体区域，物体定位以及显著性的局部区域选择对于图像细分类能起到关键性的作用。但是传统的物体定位以及局部区域选择方法存在两个问题：1. 需要利用物体位置甚至局部区域的标注信息；2. 忽视了物体与局部区域之间以及局部区域之间的空间位置关系。针对上述问题，提出了一种基于空间约束的局部区域选择弱监督学习方法，利用物体与局部区域之间以及局部区域之间的空间关系约束实现了显著性局部区域的有效选择，两种空间约束对于局部区域选择以及图像分类准确率均有较大提升，两者融合也进一步取得了更高的准确率。此外，相比于现有方法，该方法的训练无需物体边界、位置等额外标注信息，能够节约大量的人工标注成本，适合扩展到大规模数据集的图像细分类应用。