Fine-grained Image Recognition最近的一些进展(CVPR2017)

Fine-grained Image Recognition最近的一些进展[6][7] 
Confusion[6] 
作者都是流弊学校的。主要想法是交叉熵损失函数在训练有歧义或比较难以分类的图片时，会倾向于学习到图片的一些特有的特征来降低训练误差，对泛化可能没有帮助。作者提出了两种在交叉熵损失函数中增加confusion的办法，Pairwise Confusion（希望预测的logits差别不要太大，更确切的说，是希望不同类别学习到的表示不要区别太大）和Entropic Confusion（希望logits和随机瞎猜的区别不要过大）。目前版本的文章写的不是很清晰，直接看代码很简单：PyTorch和Caffe实现。注意，这里的Confusion本质是一种正则化，带来了新的weighting parameter。作者发现Confusion获得的准确度高于使用weight decay和DeCov。还可以与Dropout联合使用，在三个实验中都获得了最佳的测试准确率。

 

Look closer to see better[7] 
是微软亚洲研究院梅涛研究员等人发表的论文，CVPR 2017大会的亮点之一，提出了一个新的循环注意力卷积神经网络，参见微软亚洲研究院CVPR 2017 Oral论文：逐层集中Attention的卷积模型。后面有必要再细看这篇吧。
--------------------- 
作者：Wayne2019 
来源：优快云 
原文：https://blog.youkuaiyun.com/Wayne2019/article/details/78441001 
版权声明：本文为博主原创文章，转载请附上博文链接！
---------------------