加州理工学院-256

Caltech-256对象类别数据集。我们介绍了一个包含256个类别的具有挑战性的图像集合30607。从谷歌电脑上下载的图片并不是所有类别都适合的。Caltech-256以类似的方式收集,并进行了一些改进:a)类别的数量增加了一倍以上;b)任何类别中的最小图像数量从31个增加到80个;c)避免了由于图像旋转而产生的伪影;d)引入了一个新的更大的杂波类别来测试背景抑制。我们提出了几种测试范式来衡量分类性能,然后使用两个简单的度量标准和最先进的空间金字塔匹配算法对数据集进行基准测试[2]。最后,我们利用杂波类别训练一个感兴趣的检测器,它能剔除不具信息性的背景区域。


zbMATH中的参考文献(参考 50篇文章 引用)

显示第1到第20个结果,共50个。
按年份排序(引用)
  1. 高德鹏;刘佳峰;吴瑞瑞;程丹松;樊晓鹏;唐向龙:利用相关RGB-d数据帮助识别目标域中的RGB图像(2019年)
  2. 郭,许;陆,卫;王,易;严,斌宇;辛,穆林:费雪判别正则化潜在稀疏转移模型(2019)
  3. Flamary,Rémi;Cuturi,Marco;Courty,Nicolas;Rakotomamongy,Alain:Wasserstein判别分析(2018年)
  4. Ghanta,Sindhu;Dy,Jennifer G.;Niu,Donglin;Jordan,Michael I.:潜在标记泊松过程及其在对象分割中的应用(2018)
  5. Schäfer,Dirk;Hüllermeier,Eyke:基于联合特征表示的Plackett-Luce模型的二元排名(2018)
  6. Zheng,Charles;Achanta,Rakesh;Benjamini,Yuval:大型多类问题的预期精度外推(2018)
  7. Cardoso,Douglas O.;Gama,JoãO;França,Felipe M.G.:用于开放集识别的无重神经网络(2017)
  8. Mendes Júnior,Pedro R.;de Souza,Roberto M.;de O.Werneck,Rafael;Stein,Bernardo V.;Pazinato,Daniel V.;de Almeida,Waldir R.;Penatti,Otávio A.B.;da S.Torres,Ricardo;Rocha,Anderson:最近邻距离比开集分类器(2017)
  9. Rawat,Waseem;Wang,Zenghui:用于图像分类的深度卷积神经网络:综合评述(2017)
  10. Ramírez Corona,Mallinali;Sucar,L.Enrique;Morales,Eduardo F.:基于路径评估的分层多标签分类(2016)
  11. Reineking,Thomas:使用信念函数和信息增益最大化的主动分类(2016)
  12. 谢群义;朱红青:基于多视角约束非负矩阵分解和高斯混合模型谱聚类方法的图像检索(2016)
  13. Blaes,Sebastian;Burwick,Thomas:通过兴奋性活动和抑制性最小值之间的振荡一致性实现的注意力偏差(2015)
  14. 黄双平;金连文;薛坤南;方元:基于多类视觉分类应用的数据相关多核组合模型的在线原始双重学习(2015)
  15. 吴建生;郑维石;赖建黄:近似核心竞争学习(2015)
  16. 谢建文;胡文泽;朱松春;吴应年:自然图像模式的稀疏框架模型学习(2015)
  17. 丛,杨;刘,季;袁俊松;罗,洁波:低阶在线度量学习(2014)
  18. 龚伯清;格雷曼,克里斯汀;沙,费:无监督域适应的学习内核及其在视觉对象识别中的应用(2014)
  19. 基于核相似性的贝叶斯学习方法(2014)
  20. Lehmann,Alain D.;Gehler,Peter V.;van Gool,Luc:高效目标检测的分支和排名(2014)ioport公司