Multi-Attention Multi-Class Constraint for Fine-grained Image Recognition

最新推荐文章于 2020-04-12 14:18:58 发布

原创

最新推荐文章于 2020-04-12 14:18:58 发布 · 1.7k 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#fine-grained

该博客介绍了针对细粒度图像识别的创新方法，通过One-Squeeze Multi-Excitation Attention Module提取物体不同部分的注意力，并利用Multi-Attention Multi-Class Constraint调整注意力之间的距离。论文提出的方法关注object part correlations，且计算效率高，但损失函数的复现具有一定挑战性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

又回到了细粒度分类的工作，这一类工作的重点都在于attention。
菜是真的菜，同事们说话都瑟瑟发抖不敢发言，菜就是原罪，哭唧唧。
论文链接
搜了一圈好像没有代码，主要他的损失函数复现起来比较麻烦，自己写的话有点费劲
他的另一大贡献是提供了dog in wild数据，他的质量和标注都非常优秀。

主体部分

18年的ECCV，之前的细粒度都是多阶段或者多尺度，不是end to end，这篇文章提出了一个基于attention的网络，他可以提取出一个物体的不同部分。第一部分是经由压缩-多扩展one-squeeze multi-excitation（OSME）模块，提取一张图多个attention区域。第二部分是经由multi-attention multi-class constraint (MAMC)，将相同class的相同attention拉近，不同attention和不同class拉远。他关注了object part correlations。
作者认为attention在细粒度分类里应遵循如下法则：