这是一篇baidu research的paper。
主题为细力度分类。这个问题在于找到一些关键的细节。比如在鸟类数据集CUB上，专家往往也是通过鸟的尾巴，或者头部来对鸟类分类的。
What：
预测细力度分类的CNN＋MDP的网络。
1. 融合了三个元素： 特征提取，attetion 和细力度分类一起训练。（比如有些之前paper是把attetion part额外切割出来的。如鸟的头部专门train个CNN。最后多个model fusion）
2. 使用了弱监督的增强学习（reinforcelearning），不需要额外的标注信息。（比如语义分割信息）
3. 全卷积网络提升了训练和测试速度。
4.贪心的奖励策略加速了收敛。
读前疑问：
1.最后怎么结合reinforce learning的？
其实attention的选择可以看成马尔科夫决策过程中的action（我选择哪个atttention去看）
最后的reward为分类结果的好坏。
How：
模型分为3个部分
1. Feature Map Extraction:
在训练时复用了feature map（后面叉出来的3路，用的所有map都是之前map上的crop，而非原始图上的crop）
而在测试时图像和所有的attention crop都会resize到一个指定尺寸。
2. Part Attention
这部分将原始输入，转为了single channel的图片，做了softmax 将activation都转为［0，1］之间的值。视为part的置信度。
在测试中模型选择有最高probability的区域（图中小白点）作为part location。而在训练过程中模型采样了多次。
3.细力度分类
每一个patch都有一个cnn负责。随后为softmax。
在测试中，最后prediction为softmax结果的average，再取最大。
4.训练过程中优化目标
函数2 前半段是最大化奖励R 后半段实际上就是原来的分类误差L最小。
R可以由 选这个attention概率乘对应的reward得到
看下面这张图比较清晰。
5.reward大小的策略
如果上一个判断对了，马上就reward 1。
如果这次对了，上次分类的objective比这次大（也就是上次判断得不好），也reward1.
否则是 0.
4642
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
