Condition-CNN 论文学习记录

论文来源：journal homepage: www.elsevier.com/locate/eswa

论文标题：Condition-CNN:Ahierarchicalmulti-labelfashionimageclassification
model

1.对于多标签任务分类历史研究

 基本就是用修改的VGG16，VGG16是2+2+3+3+3，但是BCNN每个block就是2个conv层，2个BN层，一个MAXPOOLING层，总共4个block。

2.condition-cnn架构

                                                              这是在训练时的模型 

需要用标签数据，但是引入了CPWM（条件概率权重矩阵）：相对来说比较重要的创新点。

对于理解CPWM需要有概率论的知识，首先提出了P(A)

 P(A)其实就是贝叶斯公式中的归一化证据因子。

        

 

 其中P(A=aj)是细粒度类为j的概率，P(B=bi)是粗粒度类为i的概率，因为细粒度的分类为J，粗粒度的分类为I，所以CPWM矩阵为I*J。其中每一行相加为1（也是用到贝叶斯定理）

证明如下：

最初的CPWM是由父粒度生成的独热编码，将CPWM变成可训练的。 

再通过softmax的输出为父粒度的概率

 再将V和CPWM相乘得到：

 

 这是推理定义的条件CNN,首先通过真值来训练CPWM，然后再将训练后的CPWM作为test，为定值，在test上是将前一个softmax的输出乘以CPWM。

3.损失函数

对于三个分支都使用的是交叉熵函数，但是三个loss的损失权重是随时间变化的，epoch越往后，对于细粒度的权重就越高。

大致思路就是这样，代码地址：GitHub - bKolisnik/Condition-CNN