雪碧橙子

摘要我们提出了一个全新的注意力机制，它可以强化细粒度识别的卷积神经网络。它学习了不使用部件标注的情况下，参与低水平特征激活，纠正输出的似然分布【很拗口，不知道什么意思】。相比较于其他的方法，我们提出的机制是模块化的，不依赖模型结构，参数体量和计算都很轻盈。实验显示我们机制辅助的网络提高了识别精度，并且更加的具有鲁棒性。我们辅助的Wide Residual Network 在cifar-10，St...

细粒度识别现在流行的关注点是如何定位最有辨别力的区域、拥有互补信息的区域、以及多粒度的区域。很少有工作对多粒度进行处理。

摘要我们发现通道之间的细微差别可以帮助我们捕获细粒度识别所需要的细微差别。我们提出了一个 CIN channel interaction network，它可以捕获图像与图像之间的通道差距。对于一个图像，自通道交互 self-chaanel interaction 是寻找一个图像的通道间的联系。更进一步，我们使用一个更具比较性的 CCI ,contrastive channel interaction ，通过输入的一组图像，使用度量学习，让 CCI模块 寻找到跨样本之间的细粒度微小的差异。简介之前的大

在一些特定任务中，深度学习可以从原始材料中学习到具有标志性的特征。然而现实情况是，在有监督信息的超类中训练模型，而目标任务是细粒度类别。所以作者提出了一个算法，使用超类信息进行分类训练，并且能获得良好的细粒度分类结果...

身体原因耽误了很多天，更多是主观的堕落吧。力扣刷题可能要暂停了，毕竟论文还没有方向，需要认真搞了。这是一篇预印刊的文章。摘要细粒度识别的难度在于：类间差异小，类内差异大。类间种类相似，所以长得都差不多，类内由于灯光角度等因素，相比较于类间差异，类内差异更大。现有的方法集中在寻找更好的深度特征提取器。我们的思路是：考虑到不同种类的图片会有着相似的感兴趣域，我们设计一个网络结构排除它们的影响，从而增强分类结果。【】我们对共享特征的建模是基于组的学习，将不同的类分成若干组，学习到多个共享的特征模式。我们.

摘要   少样本的细粒度识别是在每一细粒度类只有很少量的样本的情境下，进行细粒度分类。 因此，它对于清晰度、目标姿势和背景有很显著的稳定性要求。其中一个的解决方法是：首先，定位每个图片的语义部分，使用每一个语义部分描述图片，虽然这种做法不是很适合全监督学习，但是已经很有效了。随着建模能力的增加，Pose Normalize的精度可以被提高很多，生成一个新的域，也是细粒度少样本的一个思路。简介   对这种 minimal 细粒度识别更加看重神经网络的建模能力，不仅不可见数据，甚至不可见数据类型。比如只

摘要样本合成是少样本分类中常用的方法，作者借鉴这一方法到多标签识别。将成对的不同类别的样例的特征相结合，得到的图片的标签集和合成所用的标签相对应。通过这种训练，产生一些不可见样本。介绍我们想让深度网络编码到全部的信息，不管是目标特征、位置、属性。这样就构成了一个样本的特征空间，再根据任务，对特征空间进行运算。对于特征操作的理解：有如下定义：MuniM_{uni}Muni​：交MsubM_{sub}Msub​：差MintM_{int}Mint​：并可以参考下图：这篇文章的贡献：【因为我是来

刚才看到一个消息，说程序员干到三十五岁就要被开除了。谁都有自己的黑暗时刻，成年人的世界没有童话镇，当然也没有魔鬼屋，有的只是光怪陆离和走马观花。让自己不会被抛弃的唯一方法就是不断增加自己的价值，增加自己的权重。abstract细粒度识别的关键是 找到那些细微但是却具有标识性的特征。已经存在的Attention方法可以定位标识区域，并且放大，学习它们的细节。但是，这种方法很多都受困于 pa...

我们提出一个新的识别结构：bilinear CNN，它是由两个特征提取器组成，它们的输出在对应的位置进行外积相乘，形成最好的图像表示。

摘要FGVC任务的特点是：类间差异小，类内差异大。我们的方法能够有效的定位到物体和标识区域，使用的是attention object location module(AOLM) 和attention part proposal module(APPM)，而不是标注信息。模型能够获得的object image， 它有整个object的结构以及更多的细节；同时，获得的part image有着不同的尺...

“这是我认真看的第一篇细粒度的论文，从这儿出发！”摘要特征部件的精确特征表达在细粒度识别中扮演着很重要的角色。例如专家仅仅依靠物体部件，根据自己的专业知识，就能很好的识别物体。这篇文章提出了一个新的方法“打碎重构”（Destruction and Construction Learning）DCL解决细粒度识别难度，获取专家知识。引言普通的图像识别已经获得了很大的成功，然而细粒度图像识别仍...