细粒度分类：WS-DAN源码笔记——See Better Before Looking Closer: Weakly Supervised Data Augmentation Network

已于 2023-06-24 16:06:21 修改
阅读量412 收藏 1
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 细粒度分类经典论文及源码笔记 文章标签： 源码笔记 细粒度分类 pytorch 计算机视觉
于 2023-06-23 18:22:15 首次发布
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。
本文链接：https://blog.youkuaiyun.com/qq_50001789/article/details/131352887
本文详细介绍了WS-DAN网络在细粒度图像分类中的应用，探讨了网络初始化、前向传播、注意力图生成、双线性注意力池化等关键步骤。同时，阐述了弱监督数据增广、训练流程与模型保存策略，提供论文链接及源码地址，适合对计算机视觉和PyTorch感兴趣的读者深入研究。

细粒度分类：WS-DAN源码笔记——See Better Before Looking Closer: Weakly Supervised Data Augmentation Network for Fine-Grained Visual Classification

综述

论文题目：《See Better Before Looking Closer: Weakly Supervised Data Augmentation Network for Fine-Grained Visual Classification》
论文地址：https://arxiv.org/pdf/1901.09891v2.pdf

源码地址(PyTorch版本)：https://github.com/GuYuc/WS-DAN.PyTorch

针对领域：细粒度图像分类(FGVC)

关键词：数据增广、弱监督学习、注意力机制、双线性池化

论文笔记：https://blog.youkuaiyun.com/qq_50001789/article/details/131352322?spm=1001.2014.3001.5501

WS-DAN网络整体结构

网络初始化阶段


                

                
                
        

    



  


        

                

                  

                  

                  了解本专栏
                  
                  
                    
                  订阅专栏 解锁全文
                   
                

        


    



                



	

		

			

				
					
细粒度分类：WS-DAN论文笔记——See Better Before Looking Closer: Weakly Supervised Data Augmentation Network

				
			

			

				

					qq_50001789的博客
				

				

					06-23
					
					597
					
				

			

		

		

			
				
本文通过将弱监督学习和数据增强相结合，提出了一种弱监督数据注意力网络，弱监督学习为数据增强提供空间分布(即注意力)，数据增强鼓励学习多样性的注意力，他们相互促进，共同优化网络，使得网络能够学到来自多个局部区域的判别图像特征。

			
		

	



                

            
              



	

		

			

				
					
【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
					
					2095
					
				

			

		

		

			
				
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。

			
		

	



              


  
              

                


	

		

			

				
					
细粒度分类：Diversified Visual Attention Networks

				
			

			

				

					gaoxueyi551的专栏
				

				

					04-26
					
					1751
					
				

			

		

		

			
				
一、介绍

  本文简单介绍一下一篇细粒度文章的大致思想，题目是Diversified Visual Attention Networks for
Fine-Grained Object Classification（分散可视注意力细粒度分类网络），缩写为DVAN。文章不是很新，但是思想通篇读过后觉得值得总结。



二、引入了什么

下图中，不同鸟类的通过视觉可区分的部位主要是眼镜、胸部和翅膀，通过DVAN可以自动的发现这些视觉可区分的部位，从而实现正确分类不同品种鸟类。



DVAN引入了一种能力..

			
		

	





	

		

			

				
					
基于深度学习的细粒度分类研究及应用

				
			

			

				

					铸精品·释产能·启未来
				

				

					08-25
					
					5723
					
				

			

		

		

			
				
近年来，深度学习的发展极大推动了细粒度分类在交通、医疗、工业、农业、电商等领域的落地。各种反应工业界需求的相关比赛也吸引了大量从业者参加，如专注自然物种分类的iNat Challenge 2021[20]、关于渔业资源保护的Fisheries Monitoring[21]、阿里巴巴主办的AliProducts Challenge等。数据标注：细粒度图像的标注往往需要相关专业知识（如医学等），这给标注带来了极大困难。因此，自监督学习是未来的一大趋势。

			
		

	



		

			
		



	

		

			

				
					
CVPR 2019细粒度图像分类竞赛中国团队DeepBlueAI获冠军 | 技术干货分享

				
			

			

				

					TensorFlowNews
				

				

					06-25
					
					2227
					
				

			

		

		

			
				
【导读】CVPR 2019细粒度图像分类workshop的挑战赛公布了最终结果：中国团队DeepBlueAI获得冠军。本文带来冠军团队解决方案的技术分享。



近日，在Kaggle上举办的CVPR 2019 Cassava Disease Classification挑战赛公布了最终结果，国内团队 DeepBlueAI 获得冠军。



国际计算机视觉与模式识别会议（CVP...

			
		

	





	

		

			

				
					
细粒度图像分类_资源 | 最新的细粒度图像分析资源

				
			

			

				

					weixin_39562554的博客
				

				

					12-18
					
					591
					
				

			

		

		

			
				
编辑：zero关注 搜罗最好玩的计算机视觉论文和应用，AI算法与图像处理 微信公众号，获得第一手计算机视觉相关信息本文转载自：公众号：算法猿的成长细粒度图像，相对通用图像（general/generic images）的区别和难点在于其图像所属类别的粒度更为精细，也是目前计算机视觉领域比较热门的一个方向，包括了分类、检索以及图片生成方向。细粒度图像类别的数据集也是越来越多，最早的时候，2011年左...

			
		

	





	

		

			

				
					
细粒度图像分类（FGVC）---综述

					
热门推荐

				
			

			

				

					xys430381_1的专栏
				

				

					04-28
					
					7万+
					
				

			

		

		

			
				
一、概述
什么是细粒度图像分类
细粒度图像分类问题是对大类下的子类进行识别。细粒度图像分析任务相对通用图像（General/Generic Images）任务的区别和难点在于其图像所属类别的粒度更为精细。
以图1为例，通用图像分类其任务诉求是将“袋鼠”和“狗”这两个物体大类（蓝色框和红色框中物体）分开，可见无论从样貌、形态等方面，二者还是很容易被区分的；而细粒度图像的分类任务则要求对“狗”该类类别......

			
		

	





	

		

			

				
					
See Better Before Looking Closer: Weakly Supervised Data Augmentation Network for Fine-Grained Visu

				
			

			

				

					qq_38284961的博客
				

				

					04-13
					
					2360
					
				

			

		

		

			
				
See Better Before Looking Closer: Weakly Supervised Data Augmentation Network for Fine-Grained Visual Classification



一篇基于attention 机制的细粒度分类模型

细粒度是粗粒度的延深，类间差距小，类内差距大。 早期的研究中主要使用较多的人工标注来认为的定位attent...

			
		

	





	

		

			

				
					
论文笔记：See Better Before Looking Closer: WS-DAN for Fine-Grained Visual Classification

				
			

			

				

					zzc_zhuyu的博客
				

				

					12-27
					
					1505
					
				

			

		

		

			
				
See Better Before Looking Closer: Weakly Supervised Data Augmentation Network for Fine-Grained Visual Classification
文章目录See Better Before Looking Closer: Weakly Supervised Data Augmentation Network for Fine-Grained Visual Classification0 摘要1 引言2 相关工作3 方法3

			
		

	





	

		

			

				
					
See Better Before Looking Closer: Weakly Supervised Data AugmentationNetwork for Fine-Grained Visua

				
			

			

				

					gaoxueyi551的专栏
				

				

					09-06
					
					368
					
				

			

		

		

			
				
这篇文章介绍了一种介于弱监督方式的数据增强方法，简称WSDAN。通用性较高，方法简单、易于使用，所以做简单的记录，希望同大家一道学习和讨论。

			
		

	





	

		

			

				
					
(论文)WS-DAN (弱监督数据增强)

				
			

			

				

					David_Yang_7的博客
				

				

					09-10
					
					5923
					
				

			

		

		

			
				
背景

近期在做外卖分类的项目，外卖分类属于细粒度图像分类，在分类的过程中要从图片的行人中和非机动车中区分出各类外卖（主要是美团、饿了吗）。刚好近期发现了一片关于细粒度图像分类较新的论文（See Better Before Looking Closer: Weakly Supervised Data Augmentation Network for Fine-Grained Visual Clas...

			
		

	





	

		

			

				
					
随波竺流AI知识分享活动第六期- 细粒度识别之Local Attention Network.pptx

				
			

			

				

					09-20
				

			

		

		

			
				
论文《See Better Before Looking Closer: Weakly Supervised Data Augmentation Network for Fine-Grained Visual Classification》提出了两种注意力机制：Attention Learning和Attention Dropout。Attention ...

			
		

	





	

		

			

				
					
Transformer时序预测实战：用PyTorch构建股价预测模型

				
			

			

				

					qq_74383080的博客
				

				

					12-18
					
					580
					
				

			

		

		

			
				
本文探讨了Transformer在时间序列预测中的应用，相比传统LSTM模型，Transformer通过自注意力机制能更好捕捉长期依赖关系。文章详细介绍了从数据预处理到模型实现的完整流程，包括滑动窗口构造序列、位置编码等关键步骤。实验结果显示，Transformer在模拟股价预测任务上比LSTM训练速度更快（38秒vs45秒），预测误差降低34%（MSE 0.021 vs 0.032）。

			
		

	





	

		

			

				
					
20251011_Pytorch从入门到精通

				
			

			

				

					baby_hua的专栏
				

				

					12-18
					
					778
					
				

			

		

		

			
				
讲的很不错！就是这课太老了 复习下机器学习基础还能看 用作入门也很好 其他的略过即可。

			
		

	





	

		

			

				
					
PyTorch MultiStepLR：指定间隔学习率衰减的原理、API、参数详解、实战

				
			

			

				

					qq_62634342的博客
				

				

					12-21
					
					596
					
				

			

		

		

			
				
PyTorch的MultiStepLR是一种灵活的学习率衰减策略，允许在自定义的epoch节点（milestones）上衰减学习率，而非固定间隔。相比StepLR的等距衰减，MultiStepLR通过milestones参数可精确控制衰减时机，适用于复杂训练场景。其API包括optimizer绑定、严格递增的milestones列表和衰减系数gamma。典型应用包括ResNet等经典模型训练，在预设epoch点（如30/60/90）按gamma比例降低学习率。使用时需注意调用顺序（先optimize

			
		

	





	

		

			

				
					
图像超分辨率 — HAT训练及测试教程（Pytorch）

					
最新发布

				
			

			

				

					加斯顿工程师的博客
				

				

					12-22
					
					30
					
				

			

		

		

			
				
HAT是在2023年发表于CVPR的先进图像超分辨率模型，全称是 Hybrid Attention Transformer，中文可译为：混合注意力Transformer。它是由中科院和上海人工智能实验室的研究团队在2022年提出，HAT是在SwinIR的基础上进行改进，成功地将Transformer架构在图像超分辨率任务上的性能推上了一个新的高度，在一段时间内占据了多个主流超分Benchmark（如Set5, Set14, Urban100等）的榜首。它的核心思想是通过巧妙地融合通道注意力、自注意力等机制，

			
		

	





	

		

			

				
					
【torch.compile】PyTorch Dynamo 和 Inductor 编译流程

				
			

			

				

					jack.li的博客
				

				

					12-19
					
					371
					
				

			

		

		

			
				
本文详细解析了PyTorch 2.7.0中Dynamo和Inductor的编译流程。从用户调用torch.compile()开始，系统会创建OptimizedModule包装原始模型，并通过OptimizeContext设置帧评估回调。当首次执行模型时，Python解释器会触发_custom_eval_frame回调，进而调用_compile函数开始编译过程。整个流程实现了对模型前向传播的即时编译优化，最终生成高效的可执行代码。该机制通过拦截Python字节码执行，在不修改用户代码的情况下实现性能优化。

			
		

	





	

		

			

				
					
基于PyTorch的深度学习基础课程之十二：卷积神经网络

				
			

			

				

					retrofit的博客
				

				

					12-22
					
					516
					
				

			

		

		

			
				
本文介绍了卷积神经网络(CNN)的基础知识，包括卷积、池化、拉平、批标准化等操作，示例解释了其内在原理，并举例了两个典型的卷积神经网络。理解神经网络的细节才能更好地指导AI大模型辅助构建满意的卷积神经网络模型。

			
		

	





	

		

			

				
					
PyTorch：深度学习框架的创新之路与技术实践

				
			

			

				

					w708955424的博客
				

				

					12-22
					
					337
					
				

			

		

		

			
				
与此同时，PyTorch通过TorchScript实现了动态图到静态图的转换，兼顾了生产环境所需的高性能和可优化性，这种“动态优先，静态可选”的设计理念，使其在灵活性与效率之间取得了平衡。例如，美团利用PyTorch构建的推荐系统模型，通过动态图调试优化后，在保持推荐精度的同时将服务响应时间降低了30%。PyTorch作为由Facebook人工智能研究实验室（FAIR）开发的开源深度学习框架，自2016年发布以来，凭借其动态计算图特性、简洁的API设计和强大的生态系统，迅速成为学术界和工业界的主流选择。

			
		

	





	

		

			

				
					
自动关闭窗口程序：Auto-Closer的使用与介绍

				
			

			

				

					
				

			

		

		

			
				
资源摘要信息:"Auto-Closer.rar_The Closer" 是一个用于自动关闭窗口或弹出窗口的程序。用户只需输入窗口标题，点击开始按钮，程序便会自动关闭符合条件的窗口。该程序适用于Windows操作系统，能够有效地管理和关闭...

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

  
	




  

    

      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
            

          

        

        

          

          

          

        

      

    

    

  





	
打赏作者

	

		

		
			
		
		

		

			
视觉萌新、

			
你的鼓励将是我创作的最大动力

		

	

	

			

	

	

    ¥1
    ¥2
    ¥4
    ¥6
    ¥10
    ¥20
	

	

		

			

				

					扫码支付：¥1
				

				

					

					
					获取中
					

				

				

					
					
					扫码支付
				

			

		

		

			
您的余额不足，请更换扫码支付或充值

			
打赏作者

		

	



      
      

      
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