WACV 2021 论文大盘点-图像分类篇

本篇文章总结图像分类相关论文，包含细粒度分类、医学图像分类、植物叶子等级分类等。

共计 10 篇，如有遗漏，欢迎补充。

下载包含这些论文的 WACV 2021 所有论文，请点击：

『WACV 2021 开幕，更偏重技术应用，附论文下载』

细粒度视觉分类

Fair Comparison: Quantifying Variance in Results for Fine-Grained Visual Categorization

作者 | Matthew Gwilliam, Adam Teuscher, Connor Anderson, Ryan Farrell

单位 | 杨百翰大学；马里兰大学

论文 | 

https://openaccess.thecvf.com/content/WACV2021/papers/Gwilliam_Fair_Comparison_Quantifying_Variance_in_Results_for_Fine-Grained_Visual_Categorization_WACV_2021_paper.pdf

Intra-Class Part Swapping for Fine-Grained Image Classification

作者提出用于细粒度识别的 Intra-class Part Swapping(InPS)。具体来说，InPS 在正样本上执行注意力引导的交换，避免了类间的混合，减轻了混合过程中的标签噪声。

此外，利用注意力信号引导重要区域之间的交换，创造了合理的组合，消除了新样本的隐藏结构。实验表明，InPS 在细粒度分类和弱监督定位上都持续优于近期的增强方法。

与目前最先进的细粒度方法相比，InPS 在计算效率、精度和简单性方面都有优越的表现。作者称 InPS 可以进一步应用于增强低级特征，并进一步节省计算资源。

作者 | Lianbo Zhang, Shaoli Huang, Wei Liu

单位 | 悉尼科技大学；悉尼大学

论文 | 

https://openaccess.thecvf.com/content/WACV2021/papers/Zhang_Intra-Class_Part_Swapping_for_Fine-Grained_Image_Classification_WACV_2021_paper.pdf

代码 | https://github.com/lbzhang/InPS

Multi-Modal Reasoning Graph for Scene-Text Based Fine-Grained Image Classification and Retrieval

本次研究中所提出的一种新架构，通过考虑图像的文本和视觉特征，在两个数据集中大大超越了以往最先进的结果，在细粒度分类上超过 5%，在图像检索上超过 10%。

作者设计一个完全端到端可训练 pipeline，融合了多模态推理模块，结合文字和视觉特征，且不依赖于集合模型或预先计算的特征。

作者在论文中提供了详尽的实验，其中有对模型架构中不同模块的有效性的分析，以及场景文本对图像理解的综合模型的重要性的分析。

作者 | Andres Mafla, Sounak Dey, Ali Furkan Biten, Lluis Gomez, Dimosthenis Karatzas

单位 | cvc，uab

论文 | https://arxiv.org/abs/2009.09809

代码 | https://github.com/AndresPMD/GCN_classification

生物医学图像分类

Deformable Gabor Feature Networks for Biomedical Image Classification

可变形 Gabor 特征网络（Deformable Gabor feature network，DGFN）利用可变形特征和可学习 Gabor 特征的优点，提高 CNN 的可解释性。

在 CIFAR-10 上成功验证了 Gabor 特征继承的抗噪特性，准确率比基线方法提高了 2%。

DGFN 的特点是既有对变形的适应性，又有泛化自然图像中常见空间变化的鲁棒性。实验表明其增强的表示能力有利于医学图像分析。

所提出的 Gabor 模块具有通用性和灵活性，可以很容易地应用于现有的CNN，如ResNet 和 DenseNet。

作者 | Xuan Gong, Xin Xia, Wentao Zhu, Baochang Zhang, David Doermann, Lian Zhuo

单位 | 纽约州立大学布法罗分校；北京航空航天大学；Kwai Inc

论文 | https://arxiv.org/abs/2012.04109

Learn Like a Pathologist: Curriculum Learning by Annotator Agreement for Histopathology Image Classification

课程式学习指先让模型学习简单的样本，再学习较难分的样本的方法，可以有效提高模型鲁棒性、加速模型收敛。

作者称组织病理图像分类是应用课程式学习的自然场景，为此提出一种利用标注者协议作为难度评估的学习方法。在结肠息肉分类数据集上对所提出方法进行了评估，一个基线模型实现了 83.7% 的 AUC，而最好的单阶段基线版本也只实现了 84.6% 的 AUC。单当使用课程式学习进行训练时，模型的 AUC 提高到 88.2%！。

作者 | Jerry Wei, Arief Suriawinata, Bing Ren, Xiaoying Liu, Mikhail Lisovsky, Louis Vaickus, Charles Brown, Michael Baker, Mustafa Nasir-Moin, Naofumi Tomita, Lorenzo Torresani, Jason Wei, Saeed Hassanpour

单位 | 达特茅斯学院；达特茅斯 - 希契科克医疗中心

论文 | https://arxiv.org/abs/2009.13698

Confidence-Driven Hierarchical Classification of Cultivated Plant Stresses

该文使用置信度驱动的层次分类方法，解决植物病害的分级问题。

作者 | Logan Frank, Christopher Wiegman, Jim Davis, Scott Shearer

单位 | Department of Computer Science and Engineering；俄亥俄州立大学

论文 | 

https://openaccess.thecvf.com/content/WACV2021/papers/Frank_Confidence-Driven_Hierarchical_Classification_of_Cultivated_Plant_Stresses_WACV_2021_paper.pdf

Deep Active Learning for Joint Classification & Segmentation with Weak Annotator

深度主动学习用于弱标注数据的联合分类和分割。

作者 | Soufiane Belharbi, Ismail Ben Ayed, Luke McCaffrey, Eric Granger

单位 | 麦吉尔大学等

论文 | https://arxiv.org/abs/2010.04889

代码 | https://github.com/sbelharbi/deep-active-learning-for-joint-classification-and-segmentation-with-weak-annotator

Kernel Self-Attention for Weakly-Supervised Image Classification Using Deep Multiple Instance Learning

弱监督图像分类，使用深度多实例方法

作者 | Dawid Rymarczyk, Adriana Borowa, Jacek Tabor, Bartosz Zielinski

单位 | 雅盖隆大学等

论文 | 

https://openaccess.thecvf.com/content/WACV2021/papers/Rymarczyk_Kernel_Self-Attention_for_Weakly-Supervised_Image_Classification_Using_Deep_Multiple_Instance_WACV_2021_paper.pdf

代码 | https://github.com/gmum/Kernel_SA-AbMILP

事件分类

Ontology-Driven Event Type Classification in Images

事件分类可以为语义搜索增加有价值的信息，也是新闻中越来越重要的事实验证课题。到目前为止，只有少数方法解决了新闻价值事件类型的图像分类，如自然灾害、体育赛事或选举。

以前的工作只区分有限的事件类型，并且依靠相当小的数据集进行训练。在本文中，提出全新的 ontology-driven 方法，用于图像中事件类型的分类。

利用大量真实世界的新闻事件来追求两个目标。首先，创建一个基于Wikidata的本体，包含了大部分的事件类型。其次，引入一个新的大规模数据集，该数据集是通过网络抓取获得的。ontology-driven 方法旨在利用知识图的结构化信息，使用深度神经网络学习相关的事件关系。在现有的以及新的基准数据集上的实验结果证明了所提出的 ontology-driven 方法的优越性。

作者 | Eric Müller-Budack, Matthias Springstein, Sherzod Hakimov, Kevin Mrutzek, Ralph Ewerth

单位 | TIB；汉诺威大学

论文 | https://arxiv.org/abs/2011.04714

代码 | https://github.com/TIBHannover/VisE

Can Selfless Learning Improve Accuracy of a Single Classification Task?

作者在本文中利用 selfless learning 思想来解决终身学习的遗忘问题。而且证明所提出方法可以与其他流行的学习范式结合使用。

作者 | Soumya Roy, Bharat Bhusan Sau

单位 | 印度理工学院

论文 | 

https://openaccess.thecvf.com/content/WACV2021/papers/Roy_Can_Selfless_Learning_Improve_Accuracy_of_a_Single_Classification_Task_WACV_2021_paper.pdf

【推荐阅读】

WACV 2021 论文大盘点-人体动作检测与识别篇

WACV 2021 论文大盘点-图像质量篇

WACV 2021 论文大盘点-智能驾驶篇

WACV 2021 论文大盘点-图像与视频检索篇

WACV 2021 论文大盘点-姿态估计篇

WACV 2021 论文大盘点-目标跟踪篇

WACV 2021 论文大盘点-GAN篇
WACV 2021 论文大盘点-行人监控篇

WACV 2021 论文大盘点-图像分割篇

WACV 2021 论文大盘点-目标检测篇

WACV 2021 论文大盘点-人脸技术篇

- END -

编辑：CV君

转载请联系本公众号授权

备注：分类

图像分类交流群

图像分类、细粒度分类等技术，

若已为CV君其他账号好友请直接私信。

OpenCV中文网

微信号 : iopencv

QQ群：805388940

微博/知乎：@我爱计算机视觉

投稿：[email protected]

网站：www.52cv.net

在看，让更多人看到