Loading...

Fine-grained Image Classification

Souri, Yaser | 2015

1634 Viewed
  1. Type of Document: M.Sc. Thesis
  2. Language: Farsi
  3. Document No: 47459 (19)
  4. University: Sharif University of Technology
  5. Department: Computer Engineering
  6. Advisor(s): Kasaei, Shohreh
  7. Abstract:
  8. Fine-grained image classification is image classification where the considered classes are all sub-classes of a certain, more general class. In this setting of the problem, the classes are visually very similar to each other, such that an unskilled human cannot discriminate between them. In this case, proposed methods for the ordinary image classification problem do not obtain good classification accuracy. So proposing new methods for solving this problem is necessary. In this thesis two new methods, based on recent advances in deep learning are proposed for solving the fine-grained image classification problem. First by improving several parts of one of the recent proposed methods for this problem, its mean accuracy is improved by more than 10%.Then a novel method for localizing object parts, which is very important in fine-grained classification, is proposed. This novel method is an order of magnitude faster than the state-of-the-art method, while the mean accuracy resulted from using it is comparable to state-of-the-art
  9. Keywords:
  10. Computer Vision ; Object Recognition ; Deep Learning ; Images Classification ; Fine Grained Recognition

 Digital Object List

 Bookmark

  • فهرست شکل‌ها
  • فهرست جدول‌ها
  • مقدمه
    • دسته‌بندی تصویر
      • یافتن شی
    • دسته‌بندی ریزدانه‌ای تصاویر
      • ورودی و خروجی مسئله
    • نوآوری علمی و ساختار پایان‌نامه
  • روش‌های پیشین
    • روش‌های دسته‌بندی تصویر
      • روش‌های مبتنی بر لغت‌نامه
      • روش‌های مبتنی بر یادگیری عمیق
      • دلیل مطرح شدن دسته‌بندی ریزدانه‌ای
    • روش‌های دسته‌بندی ریزدانه‌ای تصاویر
      • پایگاه داده‌های دسته‌بندی ریزدانه‌ای
      • روش‌های همراه با انسان
      • پیدا کردن اجزای مهم به صورت خودکار
      • جمع‌بندی
  • روش پیشنهادی
    • شبکه عصبی پیچشی عمیق
      • ساختار شبکه
      • آنچه شبکه یاد می‌گیرد
      • آموزش شبکه
      • استخراج ویژگی تکه‌ای از تصویر با استفاده از شبکه
    • روش‌های پایه
      • ترکیب ویژگی‌ها
    • اهمیت استفاده از اجزا
      • پیدا کردن اجزا از نقاط در پایگاه داده پرندگان کلتک
    • انتقال غیر پارامتری اجزا
      • پیدا کردن همسایه‌ها
      • استخراج ویژگی و دسته‌بندی نهایی
    • تخمین مکان اجزا با استفاده از جنگل تصادفی و ویژگی‌های عمیق
      • ویژگی‌های عمیق برای هر پیکسل
      • دسته‌بند پیکسل‌ها با استفاده از جنگل تصادفی
      • تخمین مکان جزء
      • پیدا کردن مستطیل محیطی جز از احتمال
      • روش نهایی مورد استفاده
    • جمع‌بندی
  • نتایج تجربی
    • معیار ارزیابی
    • روش‌های پایه
      • نزدیک‌ترین همسایه
      • دسته‌بندی توسط ماشین بردار پشتیبان
    • اهمیت استفاده از اجزا
    • انتقال غیر پارامتری اجزا
      • کیفیت همسایه‌ها
      • انتقال اجزا
      • نتایج دسته‌بندی نهایی با استفاده از انتقال غیر پارامتری بهبود یافته
    • تخمین مکان اجزا با استفاده از جنگل تصادفی و ویژگی‌های عمیق پیکسلی
      • تبدیل احتمال حضور در هر پیکسل به مستطیل محیطی
    • نتایج نهایی روش پیشنهادی
  • جمع‌بندی و کارهای آتی
    • جمع‌بندی
    • کارهای آینده
      • روشی برای تشخیص اجزا، بدون داده‌های آموزشی در سطح مکان جزء
      • استفاده از روش معرفی شده برای دسته‌بندی پیکسل‌ها در کاربردهای دیگر
      • تکمیل روش انتقال غیر پارامتری اجزا با استفاده از چند همسایه
  • مراجع
...see more