返回
Foreground-Centric learning improves robustness in fine-grained visual recognition
DOI:10.1007/s11760-025-04758-5.png)
摘要
En 中文
细粒度视觉识别——区分由细微、局部线索差异化的类别——在真实场景中常因背景杂波和姿态变化主导信号而性能下降。我们采用一个简单原则:在识别前隔离主体。通过构建主体中心视角,并在前景而非完整场景上进行训练,决策被导向诊断性形态而非偶然性上下文。在视觉相似物种的挑战性生态案例研究中,该方法在准确率和每类可靠性上实现了持续提升,对易混淆类别改进最为显著。该流程是模块化的、标注轻量且与多样的学习架构和部署环境兼容。我们发布开放资源及可重复性清单以支持透明评估;源代码和支持数据可访问https://github.com/AliAlfatemi/warbler_yolo。除生物多样性监测外,前景中心学习为农业、产品检测和生物医学成像等领域提供了通用的更可靠细粒度识别路径。
Keyword:
Deep learning
Fine-grained classification
Birds
YOLO
Instance segmentation
期刊
IF:
2.1
论文数:
908
被引数:
4.6K
机构
暂无机构信息
引用论文
YOLOv9: Learning What You Want to Learn Using Programmable Gradient InformationYOLOv9: 使用可编程梯度信息学习您想要学习的内容
Bird Image Classification using Convolutional Neural Network Transfer Learning Architectures基于卷积神经网络迁移学习架构的鸟类图像分类

