主页
2017-07-02：研究室独立完成的1篇论文被多媒体领域的顶级国际会议ACM MM 2017接收
研究室独立完成的1篇论文被ACM MM 2017接收为Full Paper：Xiangteng He, Yuxin Peng and Junjie Zhao, "Fine-grained Discriminative Localization via Saliency-guided Faster R-CNN", 25th ACM Multimedia Conference (ACM MM),Mountain View, CA, USA, Oct. 23-27, 2017.。ACM MM是多媒体领域的顶级国际会议，也是CCF推荐的A类会议。祝贺何相腾同学、赵俊杰同学！
细粒度图像分类具有类间差异小、类内差异大的特点，是计算机视觉的一个困难问题。现有方法存在2个问题：1. 聚焦于如何获取更高的分类准确率，却忽略了细粒度图像分类应用对于实时性的要求；2. 在训练甚至测试阶段严重依赖图像中对象、部件等人工标注信息。为同时解决这2个问题，本文提出了一种显著性引导的细粒度辨识性定位方法，能够在加快分类速度的同时，消除对于图像中对象、部件等人工标注信息的依赖。首先，通过显著性提取网络（saliency extraction network，SEN）自动提取图像的显著性区域，这不依赖于对象、部件等人工标注信息，用于指导辨识性定位学习。其次，通过SEN和Faster R-CNN的联合学习实现细粒度分类与辨识性区域定位的协同促进，使用端到端的网络同时实现分类与定位，不仅提升了细粒度图像的分类准确率，还实现了细粒度图像的实时分类。
论文下载: Fine-grained Discriminative Localization via Saliency-guided Faster R-CNN【pdf】【arXiv】
细粒度图像分类具有类间差异小、类内差异大的特点，是计算机视觉的一个困难问题。现有方法存在2个问题：1. 聚焦于如何获取更高的分类准确率，却忽略了细粒度图像分类应用对于实时性的要求；2. 在训练甚至测试阶段严重依赖图像中对象、部件等人工标注信息。为同时解决这2个问题，本文提出了一种显著性引导的细粒度辨识性定位方法，能够在加快分类速度的同时，消除对于图像中对象、部件等人工标注信息的依赖。首先，通过显著性提取网络（saliency extraction network，SEN）自动提取图像的显著性区域，这不依赖于对象、部件等人工标注信息，用于指导辨识性定位学习。其次，通过SEN和Faster R-CNN的联合学习实现细粒度分类与辨识性区域定位的协同促进，使用端到端的网络同时实现分类与定位，不仅提升了细粒度图像的分类准确率，还实现了细粒度图像的实时分类。