主页
2019-03-09：研究室的1篇强化学习应用于细粒度图像分类的论文被IJCV 2019接收
研究室独立完成的1篇论文被IJCV 2019接收：Xiangteng He, Yuxin Peng and Junjie Zhao, “Which and How Many Regions to Gaze: Focus Discriminative Regions for Fine-grained Visual Categorization”,International Journal of Computer Vision (IJCV), 2019。IJCV是计算机视觉领域的顶级国际期刊，也是CCF推荐的A类国际期刊，SCI影响因子：11.541。祝贺何相腾同学！
图像中的辨识性区域的检测是细粒度图像分类的关键，现有的细粒度图像分类方法依赖于人工先验和实验调参，导致现有方法需要根据不同数据域进行调整，在易用性和可扩展性上存在局限。因此，本文提出了多尺度-多粒度深度强化学习方法。首先，提出注意力奖励函数自适应学习，根据图像的显著性分布自动定位关键区域并选择其数目，避免了现有方法依赖人工先验和实验调参导致的易用性和可扩展性上的局限性；其次在多粒度上，提出了堆叠式强化学习，序列式地定位对象及其关键区域，从不同粒度提供互补的特征表示；最后在多尺度上，通过对原图、关键区域的不同尺度的特征学习，使得网络学习到更加精细的特征。本文方法在两个广泛使用的数据集CUB-200-2011和Cars-196进行了验证，提高了图像细分类的准确率。
图像中的辨识性区域的检测是细粒度图像分类的关键，现有的细粒度图像分类方法依赖于人工先验和实验调参，导致现有方法需要根据不同数据域进行调整，在易用性和可扩展性上存在局限。因此，本文提出了多尺度-多粒度深度强化学习方法。首先，提出注意力奖励函数自适应学习，根据图像的显著性分布自动定位关键区域并选择其数目，避免了现有方法依赖人工先验和实验调参导致的易用性和可扩展性上的局限性；其次在多粒度上，提出了堆叠式强化学习，序列式地定位对象及其关键区域，从不同粒度提供互补的特征表示；最后在多尺度上，通过对原图、关键区域的不同尺度的特征学习，使得网络学习到更加精细的特征。本文方法在两个广泛使用的数据集CUB-200-2011和Cars-196进行了验证，提高了图像细分类的准确率。