Fine-grained Recognition: Accounting for Subtle Differences between Similar Classes

思维导图

这篇文章关注的是细粒度识别题目中相似类之间的细微差别的问题。由题目就可以看出论文的两个重点：

1. Subtle Differences
2. Similar Classes
   而本文的贡献也是主要在于解决这个问题，如下：
3. diversification block
4. gradient-boosting loss
   
   上图中的第2行是一般的细粒式识别网络的attention map，最后一行是本文网络的attention map，可以看到对于本文来说，不仅仅是只关注于对梯度贡献最有效的位置，还有一些其他的相关区域。如对鸟来说，头部是一个区分不同类别鸟类的关键位置，但是尾巴、羽毛等也有很多的相关信息。Diversification Block就是来解决这个问题的。

符号定义：
$I$是训练的图像，其对应的ground-truth label$l\in JJ=1,2,...,C$是包含所有标签的标签集，$M\in R^{C\times H\times W}$是Diversification Block的输入，是特定的类别的activation map,$M=M_c:c\in [1,C]$，其中$M_c\in {\mathbb{R}}^{H\times W}$是对应第c个类比的单独的activation map，$H$和$W$是output activation maps的高和宽。

Diversification Block

这个模块的核心的想法是使用Mask图抑制(suppress)显著性最强的区域，迫使网络学习其他部位。
那么现在的问题就产生了，

1. Where to suppress information?
2. How to suppress?

Mask Generation
B = B c : c ∈ [