加州理工学院-256

Caltech-256对象类别数据集。我们介绍了一组具有挑战性的256个对象类别,总共包含30607个图像。最初的Caltech-101[1]是通过选择一组对象类别,从googleimages下载示例,然后手动筛选出所有不符合该类别的图像来收集的。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(参考文献52条)

显示第1到第20个结果,共52个。
按年份排序(引用)
  1. 高德鹏;吴瑞;刘佳峰;范小鹏;唐向龙:寻找无监督域适应的鲁棒转移特征(2020)
  2. 高德鹏;刘佳峰;吴瑞;程丹松;范小鹏;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)
  3. 郭、徐;鲁炜;王毅;燕,宾玉;Xin,Mulin:Fisher判别正则化潜在稀疏传输模型(2019)
  4. 华丽的,雷米;库图里,马可;科蒂,尼古拉斯;Rakotomamongy,Alain:Wasserstein判别分析(2018)
  5. 甘塔、信德;是的,詹妮弗G。;牛,东林;Jordan,Michael I.:潜在标记泊松过程及其在对象分割中的应用(2018)
  6. 施费尔,德克;Hüllermeier,Eyke:使用基于联合特征表示的Plackett-Luce模型的二元排名(2018)
  7. 郑,查尔斯;阿奇什哈塔;Benjamini,Yuval:推断大型多类问题的预期精度(2018年)
  8. 卡多索,道格拉斯O。;加马,乔昂;弗朗萨,费利佩M。G、 :用于开放集识别的无重神经网络(2017)
  9. 门德斯•Júnior,佩德罗•R。;德索萨,罗伯托M。;德奥。沃内克,拉斐尔;斯坦因,贝尔纳多五世。;帕齐纳托,丹尼尔五世。;阿尔梅达,瓦尔迪尔R。;佩纳蒂,奥塔维奥。B、 。;美国陆军部。托雷斯,里卡多;Rocha,Anderson:最近邻距离比开放集分类器(2017)
  10. 拉瓦特,瓦西姆;王增辉:用于图像分类的深度卷积神经网络:综述(2017)
  11. 王倩;陈克:基于双向潜在嵌入的零镜头视觉识别(2017)
  12. 拉米雷斯科罗纳,马利纳利;苏卡尔,L。恩里克;Morales,Eduardo F.:基于路径评估的分层多标签分类(2016)
  13. Reineking,Thomas:使用信念函数和信息增益最大化的主动分类(2016)
  14. 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)
  15. 布雷斯,塞巴斯蒂安;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偏差(2015)
  16. 黄双平;金莲文;薛坤南;方元:基于多类视觉分类应用的数据依赖多核组合模型的在线原始双重学习(2015)
  17. 吴建生;郑维石;赖建黄:近似核心竞争学习(2015)
  18. 谢建文;胡文泽;朱、宋淳;吴应年:学习自然图像模式的稀疏框架模型(2015)
  19. 丛、杨;刘、季;袁俊松;罗洁波:低阶在线度量学习(2014)
  20. 龚伯清;格雷曼,克里斯汀;Sha,Fei:用于视觉对象识别的无监督域自适应学习核(2014)