【计算机视觉 | 图像分类】arxiv 计算机视觉关于图像分类的学术速递（9 月 15 日论文合集）

布满荆棘的人生 2023-10-15 23:59 1阅读 0赞

#### 文章目录 ####

*  一、分类|识别相关(5篇)
 *   *  1.1 A Novel Local-Global Feature Fusion Framework for Body-weight Exercise Recognition with Pressure Mapping Sensors
     *  1.2 Dhan-Shomadhan: A Dataset of Rice Leaf Disease Classification for Bangladeshi Local Rice
     *  1.3 Flexible Visual Recognition by Evidential Modeling of Confusion and Ignorance
     *  1.4 LCReg: Long-Tailed Image Classification with Latent Categories based Recognition
     *  1.5 Using Unsupervised and Supervised Learning and Digital Twin for Deep Convective Ice Storm Classification

## 一、分类|识别相关(5篇) ##

### 1.1 A Novel Local-Global Feature Fusion Framework for Body-weight Exercise Recognition with Pressure Mapping Sensors ###

一种基于压力映射传感器的局部-全局特征融合识别框架

https://arxiv.org/abs/2309.07888

![在这里插入图片描述][e6428cca2ddc4b28abe4e05084884815.png]  
我们提出了一种新的局部-全局特征融合框架，用于基于地板的动态压力图的体重运动识别。与现有的使用深度神经网络的研究主要集中在全局特征提取的研究相比，所提出的框架旨在使用图像处理技术和YOLO对象检测将局部和全局特征结合起来，以定位来自不同身体部位的压力分布并考虑物理约束。所提出的局部特征提取方法生成两组高级别的局部特征，包括裁剪的压力映射和数值特征，如角度方向，在垫子上的位置，和压力区域。此外，我们采用了知识蒸馏的正则化，以保持知识的全局特征提取和提高性能的运动识别。我们的实验结果表明，在保留标签特定功能的同时，运动识别的F1分数显著提高了11%。

### 1.2 Dhan-Shomadhan: A Dataset of Rice Leaf Disease Classification for Bangladeshi Local Rice ###

Dhan-Shomadhan：孟加拉地方水稻叶部病害分类数据集

https://arxiv.org/abs/2309.07515

![在这里插入图片描述][0ae064beabb748cca56b6094f3dc865d.png]  
该数据集代表了孟加拉国几乎所有对水稻有害的疾病。该数据集由1106幅五种有害病害的图像组成，分别为褐斑病、叶鳞病、稻瘟病、水稻翻白病、稻褐叶枯病，在两种不同的背景变化中，即田间背景图片和白色背景图片。两种不同的背景变化有助于数据集更准确地执行，使得用户可以将该数据用于现场使用以及用于决策的白色背景。数据收集自达卡省的稻田。该数据集可用于水稻叶部病害分类、基于计算机视觉的病害检测和不同叶部病害的模式识别。

### 1.3 Flexible Visual Recognition by Evidential Modeling of Confusion and Ignorance ###

基于混淆和无知证据建模的灵活视觉识别

https://arxiv.org/abs/2309.07403

![在这里插入图片描述][b99ad738a30f43749feaad5fc8a72358.png]  
在现实世界场景中，典型的视觉识别系统可能在两个主要原因下失败，即，已知类别之间的错误分类和未知类别图像上的可原谅的错误行为。为了解决这些缺陷，灵活的视觉识别应该动态地预测多个类别，当它们在选择之间不自信时，并且当输入完全超出训练分布时拒绝进行预测。伴随着这一新任务出现了两个挑战。首先，预测的不确定性应分别量化为描述类间不确定性的混淆和识别分布外样本的无知。第二，样本之间的混淆和无知都应该是可比较的，以实现有效的决策。在本文中，我们提出了模型这两个来源的不确定性明确与主观逻辑理论。将承认视为一个证据收集过程，混淆则被定义为相互矛盾的证据，而无知则是缺乏证据。通过预测Dirichlet浓度参数的单例，全面的主观意见，包括混乱和无知，可以通过进一步的证据组合。通过对合成数据分析、视觉识别和开集检测的一系列实验，我们证明了我们的方法在量化两个不确定性来源和处理灵活识别方面的有效性。

### 1.4 LCReg: Long-Tailed Image Classification with Latent Categories based Recognition ###

LCREG：基于潜在类别识别的长尾图像分类

https://arxiv.org/abs/2309.07186

![在这里插入图片描述][24d98f29760f4b039d9a2b839ac92075.png]  
在这项工作中，我们解决了具有挑战性的长尾图像识别问题。以前的长尾识别方法主要集中在尾部类的数据增强或重新平衡策略，以在模型训练期间给予它们更多的关注。然而，这些方法受限于尾类的少量训练图像，这导致差的特征表示。为了解决这个问题，我们提出了基于潜在类别的长尾识别（LCReg）方法。我们的假设是，头部和尾部类共享的共同的潜在特征可以用来改善特征表示。具体来说，我们学习了一组由头部和尾部类共享的类不可知的潜在特征，然后在潜在特征上使用语义数据增强来隐式地增加训练样本的多样性。我们在五个长尾图像识别数据集上进行了广泛的实验，结果表明，我们提出的方法显着提高了基线。

### 1.5 Using Unsupervised and Supervised Learning and Digital Twin for Deep Convective Ice Storm Classification ###

基于无监督和监督学习和数字孪生的深部对流冰暴分类

https://arxiv.org/abs/2309.07173

![在这里插入图片描述][e805fb4fb8a64a56ace673ab7e0e3e86.png]  
智能冰云传感（SMICES）是一种小型卫星概念，其中主雷达根据前瞻辐射计收集的信息智能地定位冰风暴。智能定位的关键是从辐射计收集的八个辐射波段准确识别风暴/云类型。感兴趣的云类型包括：晴空、薄卷云、卷云、雨砧和对流核心。 我们描述了多步使用机器学习和地球大气层的数字孪生来导出这样的分类器。首先，地球大气层的数字双胞胎称为天气研究预报（WRF），用于生成模拟前瞻辐射计数据以及更深层次的“科学”隐藏变量。这些数据集模拟了加勒比地区的热带地区和美国大西洋沿岸的非热带地区。人类专家利用科学隐变量上的K均值聚类来生成数据的自动标记-由科学家将每个物理数据点映射到云类型，科学家通过聚类的隐变量的均值/质心来通知。接下来，用模拟辐射计数据及其相应标签的输入来训练分类器。训练了随机决策森林（RDF）、支持向量机（SVM）、高斯朴素贝叶斯（Gaussian naive bayes）、前馈人工神经网络（ANN）和卷积神经网络（CNN）的分类器。在热带数据集上，性能最好的分类器能够识别非风暴和风暴云，在每个类别中的准确率超过80%。在非热带数据集上，性能最好的分类器能够以超过90%的准确率对非风暴云进行分类，以超过40%的准确率对风暴云进行分类。此外，两组分类器被证明是有弹性的仪器噪声。

[e6428cca2ddc4b28abe4e05084884815.png]: https://img-blog.csdnimg.cn/e6428cca2ddc4b28abe4e05084884815.png
[0ae064beabb748cca56b6094f3dc865d.png]: https://img-blog.csdnimg.cn/0ae064beabb748cca56b6094f3dc865d.png
[b99ad738a30f43749feaad5fc8a72358.png]: https://img-blog.csdnimg.cn/b99ad738a30f43749feaad5fc8a72358.png
[24d98f29760f4b039d9a2b839ac92075.png]: https://img-blog.csdnimg.cn/24d98f29760f4b039d9a2b839ac92075.png
[e805fb4fb8a64a56ace673ab7e0e3e86.png]: https://img-blog.csdnimg.cn/e805fb4fb8a64a56ace673ab7e0e3e86.png