Pairwise Confusion for Fine-Grained Visual Classification

最新推荐文章于 2023-06-24 15:45:26 发布
原创 最新推荐文章于 2023-06-24 15:45:26 发布 · 1.3k 阅读 · 6 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#细粒度

本文探讨了细粒度视觉分类中的过拟合问题，提出使用Pairwise Confusion（L2距离）而非对称KL散度来降低类间距离。通过对模型的调整，旨在使不同标签的softmax激活值分布更加接近，以提升测试准确性。实验表明，该方法对细粒度分类任务有效，但在数据集类别较少且样本量大的情况下可能效果不佳。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

今年秋招CV坑位很少的样子，哭哭
又是篇细粒度啦
上链接：Pairwise Confusion for Fine-Grained Visual Classification
这篇论文的核心在于，降低对于细粒度的过拟合，添加了confuse loss（emmm。。。其实就是L2）
对于细粒度来说，角度，光照等不同，类间距离有时会大于类内距离，为了完成细粒度分类，模型会过于聚焦在类内等共性，从而会出现过拟合：train accuracy很高，但是test比较低。为了解决过拟合问题，作者旨在拉近不同label之间的距离。
论文想要不同label的softmax激活值分布相差不是很远，关于一个分布拟合另一个分布，首选KL，但是对称KL很难使用SGD去学习。
在这里插入图片描述
在这里插入图片描述
p θ ( y 1 ∣ x 1 ) = 1 − δ 1 , p θ ( y 2 ∣ x 2 ) = 1 − δ 2 , 当 0 < δ 1 , δ 2 < 1 / 2 pθ(y1|x1) = 1 − δ1,pθ(y2|x2) = 1 − δ2, 当 0 < δ1, δ2 <1/2 pθ(y1

最低0.47元/天 解锁文章

200万优质内容无限畅学
细粒度分类：PC论文笔记——Pairwise Confusion for Fine-Grained Visual Classification
qq_50001789的博客
06-23 526
论文题目：《Pairwise Confusion for Fine-Grained Visual Classification》 本文提出了一种成对混淆(PC)优化策略，通过鼓励输出的混淆来提高细粒度视觉分类任务的泛化能力。实验表明，经过PC训练出来的网络显著地改进了模型的定位性能，有利于提高分类的精度。与一般设计新的、复杂的网络结构相比，PC易于实现，不会在训练期间增加过多的开支，并且便于添加到各种网络模型中，来提高模型的性能。
细粒度分类：PC源码笔记——Pairwise Confusion for Fine-Grained Visual Classification
qq_50001789的博客
06-23 192
论文《Pairwise Confusion for Fine-Grained Visual Classification》源码笔记
Pairwise Confusion for Fine-Grained Visual Classification 阅读笔记
Jadelyw的博客
10-09 3905
1) 摘要 尽管细粒度视觉分类数据集的样本数量很少，但是却存在着显著的类内差异性和类别间相似性。然而，先前的工作通常采用定位或者分割来解决类内的差异性，但是，类别间相似性依然影响特征的学习从而降低分类器的性能。针对这一问题，我们提出了一种可端到端惊醒训练的新奇的优化方法--Pairwise Confusion(PC),在激活中故意引入混淆来减少过拟合。通过实验证明PC能够提高定位能力并且在六个细...
Fine-Grained Visual Classification via Progressive Multi-Granularity Training of Jigsaw Patches
cdknight_happy的专栏
10-10 2958
论文：https://arxiv.org/abs/2003.03836 代码：https://github.com/PRIS-CV/PMG-Progressive-Multi-Granularity-Training 1 摘要 细粒度分类(Fine-Grained visual classification,FGVC)由于目标类内变化大，分类的难度更大。近期解决细粒度分类的主要思路是找出图像中最有判别力的区域或者是最互补的区域，或者是使用多粒度的特征进行分类。作者提出了一个新的思路，使用跨尺度的特征融合进行
Fine-Grained Visual Classification via Progressive Multi-Granularity Training of Jigsaw Patches
weixin_44529634的博客
06-03 2047
一. Fine-Grained Visual Classification via Progressive Multi-Granularity Training of Jigsaw Patches 基于渐进式多粒度拼图训练的细粒度视觉分类 code：https://github.com/PRIS-CV/PMG-Progressive-Multi-Granularity-Training paper：https://arxiv.org/abs/2003.03836 Abstract 细粒度分类比传统分类难 目前
【逻辑清晰、内容详细】细粒度分类算法总结（细粒度分类综述）
qq_50001789的博客
06-24 1819
本文为笔者根据17-21年之间的顶会文章所写的细粒度算法总结，同时包括一些该方向的思考，相信你读完肯定会有很大的收获。
墨奇科技博客 | 利用对比学习改善细粒度分类的特征质量
Moqi_AI的博客
05-13 1079
本文贡献 网络通过提取显著性区域并融合这些区域特征，以同时学习局部和全局的特征 通过混杂来自负例的注意力特征来增强网络对于每个注意力区域的学习 网络得到了 SOTA 的结果 动机 细粒度分类任务与常规的分类问题不同，它希望分类器能够看到不同类别之间的细微差异。当前流行的细粒度方法通常从两个方面设计以洞察到更加细微的特征：“更有区分度的表征学习”与“定位特征显著的部分”。然而，学习更有区分度的图像表征本身就是有挑战的，同时仅仅通过没有监督的分类信息也很难保证学习有显著区别的部分的准确位置。 与..
FGVC---细粒度图像分类文章与源码收集
xys430381_1的专栏
03-29 4722
网文收集 综述型 论文笔记 | 基于深度学习的细粒度物体分类综述（A Survey on Deep Learning-based Fine-grained Object Classification and Semantic Segmentation） https://blog.csdn.net/u014593748/article/details/79964507 细粒度图像分类–CVPR201...
论文笔记: (compact) Bilinear Pooling, Confusion
Wayne2019的博客
11-04 1万+
Learn by attention, learn with confusion.先引用几段魏秀参大神的论述「见微知著」——细粒度图像分析进展综述 细粒度物体的差异仅体现在细微之处。如何有效地对前景对象进行检测，并从中发现重要的局部区域信息，成为了细粒度图像分类算法要解决的关键问题。对细粒度分类模型，可以按照其使用的监督信息的多少，分为“基于强监督信息的分类模型”和“基于弱监督信息的分类模型”两
深入浅出 pairwise 算法
热门推荐
aassddff261的专栏
01-16 2万+
深入浅出Pairwise 算法   作者：王勇                软件测试是软件开发中很重要的一环，在软件成本中也占着很大的比重。本文在介绍pairwise算法的基础上，提出了针对某一类问题的扩展算法并加以实现。        本文的组织结构如下： 第一，  本文首先简要介绍一下测试界中的著名的pairwise算法（约占文章的50%）。 第二，  然后提出了一种对p
【2019-8-18更新】细粒度分类论文和代码汇总
一个致力“使己成为人”的专栏
12-02 7408
ICCV2017 Dynamic Computational Time for Recurrent Attention Model (DT-RAM) https://github.com/baidu-research/DT-RAM（Torch实现，ResNet的baseline很牛，CUB-200-2011数据集 84.5%） http://openaccess.thecvf.com/conten...
Look Closer to See Better 阅读笔记
Jadelyw的博客
10-08 1371
1) 摘要 现有的细粒度图像识别的方法忽略了区域检测和细粒度特征学习是相互关联的，并且两者可以相互加强。所以提出了循环注意力卷积神经网络(RA-CNN)，该网络以相互增强的方式，在多个尺度上递归地学习判别性的区域注意力和基于区域的特征表示。每个尺度的学习包括一个分类子网络和一个注意力建议子网络(attention proposal sub-network (APN)),APN从完整的图像开始，以...
Learning Attentive Pairwise Interaction for Fine-Grained Classification论文解读
WangKingJ的博客
04-12 2860
分享的这篇文章来自于AAAI2020，文章的整个思路并不难理解。文章的idea来自于我们人类对相似图像的识别。一般来说，我们识别相似的图像，一方面是去找到图像中特殊的区域来进行识别，另一方面是通过比较图像对来有效地得到对比线索。这篇论文就是从后者获得的灵感。 文章提出了Attentive Pairwise Interaction Network (API-Net)，该网络可以通过交互逐步识别一对细...
细粒度图像分类识别顶级论文及实现代码 DT-RAM / NTS-Net / DFL-CNN / Bilinear Pooling / Grassmann Pooling
王爷的优快云
04-02 5409
ICCV2017 Dynamic Computational Time for Recurrent Attention Model (DT-RAM) https://github.com/baidu-research/DT-RAM（Torch实现，ResNet的baseline很牛，CUB-200-2011数据集 84.5%，论文方法 86.0%）http://openaccess.thecvf...
解读：Learning Generalizable and Identity-Discriminative Representations for Face Anti-Spoofing
so
03-18 2396
论文地址：https://arxiv.org/abs/1901.05602 该论文创新点： 1.提出了一个TCP (Total Pairwise Confusion) loss 用来增加CNN的泛化能力。 2.将FDA( Fast Domain Adaptation)整合到CNN中，以减轻domain changes 带来的影响。 3.提出了一个多任务学习方式，即用一个CNN同时完成活体检...
1分钟带你理解pairwise
开心妙妙屋
10-07 1万+
题目 找到你的另一半 都说优秀的程序员擅长面向对象编程，但却经常找不到另一半，这是为什么呢？因为你总是把自己局限成为一个程序员，没有打开自己的思维。 这是一个社群的时代啊，在这里你应该找到与你有相同价值观但又互补的另一半。 譬如：你编程能力强，估值11分，如果以20分为最佳情侣来计算，你应该找一个设计能力强，估值为9分的女生。 那么当你遇到一个设计能力为9分的女生，千万别犹豫，大胆去表白...
细粒度分类，比赛，和相关模型介绍持续更新
m0_37192554的博客
12-30 2241
FGVC6 Workshop 共有十个挑战赛，每个都代表了细粒度视觉分类在某个细分领域的挑战 CVPR 2019 Cassava Disease Classification 比赛 2019 国内发表的一些好的领域的算法介绍 https://rrl360.com/boke/35114 1、2017鸟类的细粒度分类，粗到细的一个过程，加入了不同的损失 http://openaccess.thec...
js-FCC算法-Pairwise
weixin_34323858的博客
11-29 263
找到你的另一半 都说优秀的程序员擅长面向对象编程，但却经常找不到另一半，这是为什么呢？因为你总是把自己局限成为一个程序员，没有打开自己的思维。 这是一个社群的时代啊，在这里你应该找到与你有相同价值观但又互补的另一半。 譬如：你编程能力强，估值11分，如果以20分为最佳情侣来计算，你应该找一个设计能力强，估值为9分的女生。 那么当你遇到一个设计能力为9分的女生，千万别犹豫，大胆去表白。千万别以为后...
> pairwise_T <- pairwise.t.test(median_expression ~ Tissue, data = median_T) Error in factor(g) : argument "g" is missing, with no default
06-09
在进行`pairwise.t.test()`函数时，自变量必须是因子型数据。您可以使用`factor()`函数将`Tissue`转换为因子型数据类型，例如： ``` median_T$Tissue <- factor(median_T$Tissue) pairwise_T <- pairwise.t.test...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值