论文《Weakly Supervised Bilinear Attention Network for Fine-Grained Visual Classification》

最新推荐文章于 2025-01-18 09:33:55 发布
最新推荐文章于 2025-01-18 09:33:55 发布
阅读量1.4k 收藏 1
点赞数
分类专栏： 细粒度
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/weixin_42176923/article/details/89032399
版权

论文链接

来自知乎：https://zhuanlan.zhihu.com/p/57086099

这篇文章是微软亚洲研究院2018年的工作，其主要贡献是提出了弱监督局部注意力网络，其能够自动关注物体的大量判别部位。并且通过提出注意力中心损失和注意力dropout来监督注意力图的学习过程。

目前没开源…

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
06-23 487
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。
细粒度分类：WS-DAN源码笔记——See Better Before Looking Closer: Weakly Supervised Data Augmentation Network
qq_50001789的博客
06-23 298
论文题目：《See Better Before Looking Closer: Weakly Supervised Data Augmentation Network for Fine-Grained Visual Classification》源码笔记
双线性注意力网络模型《Bilinear Attention Networks》
xiashilin的博客
11-10 1万+
目录 一、文献摘要介绍 二、网络框架介绍 三、实验分析 四、结论 本文有点长，请耐心阅读，定会有收货。如有不足，欢迎交流，另附:论文下载地址 一、文献摘要介绍 Attention networks in multimodal learning provide an effificient way to utilize given visual information select...
论文阅读——Weakly Supervised Fine-grained Image Classification via Guassian Mixture Model Oriented DisLea
高自强的博客
07-30 745
00 文章基本信息 文章来源：CVPR2020 作者信息： 01 摘要 以往方法存在的不足： 一句话：inaccurate discriminative region localization. 分析： the operation of stacking local receptive filed–>Convolutional Neural Network causes the discriminative region diffusion in high-level feature maps–
论文笔记：Bilinear Attention Networks
hongyuyahei的博客
12-18 2085
多模态学习中的注意力网络提供了一种选择性地利用给定视觉信息的有效方法。然而，学习每一对多模态输入通道的注意力分布的计算成本是非常昂贵的。为了解决这个问题，共同注意力为每个模态建立了两个独立的注意分布，忽略了多模态输入之间的相互作用。在本文中，我们提出了双线性注意力网络（BAN），它可以找到双线性注意力分布来无缝地利用给定地视觉语言信息。BAN考虑两组输入通道之间的双线性交互，而低秩双线性池化提取每对通道地联合表示。此外，我们提出了一种多模态残差网络的变体，以有效地利用BAN的注意力图。
Bilinear Attention Networks for Visual Question Answering 项目常见问题解决方案
最新发布
gitblog_00560的博客
01-18 334
Bilinear Attention Networks for Visual Question Answering 项目常见问题解决方案 ban-vqa Bilinear attention networks for visual question answering ...
推荐项目：双线性注意力网络（Bilinear Attention Networks）
gitblog_00367的博客
08-18 612
推荐项目：双线性注意力网络（Bilinear Attention Networks） ban-vqaBilinear attention networks for visual question answering项目地址:https://gitcode.com/gh_mirrors/ba/ban-vqa 在视觉和语言的交界处，有一片充满挑战的研究领域——视觉问答（Visual Question...
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 ...
(论文)WS-DAN (弱监督数据增强)
David_Yang_7的博客
09-10 5853
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...
（八：2020.08.27）CVPR 2020 追踪之论文纲要（译）
热门推荐
Jojo论文基地
08-27 1万+
CVPR 2019 追踪之论文纲要（修正于2020.08.27）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 Respect！ 论文目录 论文 概要 12-in-1 - Multi-Task Vision and Language Repre
《Bilinear Attention Networks》论文笔记
01-06
总得来说，这篇文章较为抽象，理解起来相当费劲。很多地方加入了个人描述语句，如果有理解不当的地方，还望指出。 1. Abstract 协同注意力机制 ( Co-Attention ) 对每个模态的输入建立各自的注意力分布，忽略模态输入间的相互关联，这可以有效的降低计算开销。本文就是在协同注意力机制的基础上更进一步，考虑不同模态的输入的通道间的相互关联。以 VQA 为例，本文是为了发掘 Question 和 Image 在不同通道间的注意力分布，然后建立两者间的相互关联，最后以联合表征的形式输出信息。同时本文还提出了 MRN 变体，可以用来学习多模态输入间的关系，究其本质通过残差连接方式，学习多个
Python-用于视觉问题回答的双线性注意网络
08-11
Bilinear attention networks for visual question answering
【文献阅读】BAN——双线性注意力网络Bilinear Attention Networks（J. Kim等人，NIPS，2018，有代码）
QQ704630835的博客
09-06 1万+
一、文章概况 文章题目：《Bilinear Attention Networks》 这篇文章是VQA领域非常经典的一篇文章，最近看到的很多新文章都提到了这篇文章。 文章下载地址：http://papers.nips.cc/paper/7429-bilinear-attention-networks.pdf 文章引用格式：J. Kim, J. Jun, B. Zhang. "Bilinear...
Bilinear Attention Networks 代码记录
Curya的博客
04-19 1453
torch.einsum是个好东西，就是输入数据多于2个，就有点看不懂了。（改成了使用torch.matmul主要是为了将代码和论文公式对应上） 其中，相关数据维度如下： # 1 forward函数: v_ [B, M, D] q_ [B, L, D] # 2 forward_with_weights函数: v_ [B, M, D] q_ [B, L, D] w [B, M, L] 1 forward函数 # low-rank bilinear pooling using einsum def for
【多模态】《Bilinear Attention Networks》论文阅读笔记
qq_36643449的博客
05-26 1135
一、概述 这篇文章做的是VQA，是对【多模态论文阅读】HADAMARD PRODUCT FOR LOW-RANK BILINEAR POOLING这篇文章中所讲述的多模态低秩双线性池化MLB的扩展。 在MLB的论文中，已经讲过可以通过添加attention来实现自然语言query对视觉区域进行attention的做法，具体可以参考【多模态论文阅读】HADAMARD PRODUCT FOR LOW-RANK BILINEAR POOLING。 这篇论文最大的创新点在于：提出做attention的时候，让每一对
Weakly Supervised Learning of Object-Part Attention Model for Fine-Grained Image Classification
YaYan233的博客
12-09 502
Weakly Supervised Learning of Object-Part Attention Model for Fine-Grained Image Classification abstract： 本文作者提出了一种弱监督的方法，它只需要图像级的标签来进行细粒度的分类。 1.introduction 有的两个物种的差别特别小，只有特别专业的人才能鉴别出来，关键是找到两个的鉴别...
【论文浅读】《Weakly Supervised Attention Pyramid Convolutional Neural Network for Fine-Grained Visual Cla》
卷子的博客
05-26 1388
创新思想： 文章提出了Attention Pyramid Convolutional Neural Network (AP-CNN) 注意金字塔卷积神经网络，提高了对对象子类分类的效率。该网络主要分为两大部分Attention Pyramid和ROI Pyramid： Attention Pyramid：注意金字塔；top-down高层语意、bottom-up低层特征； ROI Pyramid：感兴趣区域导向金字塔；dropblock细化特征、zoom-in消除噪声。 主要原理： 整体结构：(a)(b)A
细粒度图像分类论文研读-2018
weixin_46365033的博客
12-15 1133
依赖于对象或者局部注释，这需要很大的工作量；忽略对象与其各部分之间的相互关系以及各部分之间的相互关系。第二个问题是目前新出现的。Object-part attention model集成了两级注意：对象级注意定位图像中的对象，部分级注意选择对象的判别部分。两者共同用于学习多视图和多尺度特征，以增强他们的相互促进。Object-part spatial constraint model结合了两个空间约束：对象空间约束确保所选部分具有高度代表性，部分空间约束消除冗余并增强对所选部分的判别。
细粒度图像分类论文研读-2020
weixin_46365033的博客
12-07 1525
大部分现存的注意力模型在FGVC任务当中表现不佳，原因有以下几点：为了解决上述问题，本文提出了一种新的“过滤和蒸馏学习”（FDL）模型，以提高FGVC细分部分的区域关注度。首先，基于提议和预测之间的匹配性，本文针对有区分度的区域提议提出了一种过滤学习的方法。特别地，本文用了提议与预测的匹配性作为RPN的性能度量，从而实现了RPN的直接优化，以过滤得到最具有区分度的区域。具体来说，基于对象的特征学习和基于区域的特征学习被定义为“教师”和“学生”，这可以为基于区域的学习提供更好的监督。FDL可以有效地提升区域关
Part-Aware Fine-grained Object Categorization using Weakly Supervised Part Detection Network怎么计算边界框
06-11
在Part-Aware Fine-grained Object Categorization using Weakly Supervised Part Detection Network中，边界框的计算主要分为两个步骤： 1. 初始候选框生成 在这一步中，通常使用一个预训练的目标检测器来生成一...
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
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