MACNN-Learning Multi-Attention Convolutional Neural Network for Fine-Grained Image Recognition

最新推荐文章于 2024-06-12 09:37:57 发布
最新推荐文章于 2024-06-12 09:37:57 发布
阅读量9.1k 收藏 32
点赞数 6
分类专栏： 深度学习
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.csdn.net/ellin_young/article/details/80282081
版权
本文介绍了微软亚洲研究院的MA-CNN模型，用于细粒度图像识别。该模型通过聚类不同通道的响应区域，实现弱监督下的注意力部分定位和特征学习，同时提出channel grouping loss来优化部分分类。MA-CNN通过交替优化分类网络和通道分组层，实现了部分定位和特征学习的相互强化。
摘要由CSDN通过智能技术生成

《Learning Multi-Attention Convolutional Neural Network for Fine-Grained Image Recognition》是微软亚洲研究院17年出的一篇细粒度图像识别论文，它的姊妹篇是《Look Closer to See Better: Recurrent Attention Convolutional Neural Network for Fine-grained Image Recognition》。

之所以是姊妹篇，只因作者是同一班人马，原理还是很不同的，hhh。

一、概述

细粒度识别现在主要依赖于1.具有区分度的局部定位（discriminative part localization）和2.基于局部的精细特征学习（part-based fine-grained feature learning）。目前主流方法是将两者独立开来，忽略了他们两者之间的联系。这篇文章就提出了一个多注意力卷积神经网络（MA-CNN），让part generation 和 feature learning能互相强化。同时模型抛弃手工标记attention part 的方法，采用弱监督学习方法。（手工标注attention part 难定标注位置，且耗费人力）

本文亮点：1.利用feature map 不同通道（channels）关注的视觉信息不同，峰值响应区域也不同这一特点，聚类响应区域相近的通道，得到 attention part。

             2.由于1中part 定位方

最低0.47元/天 解锁文章
ellin_young
关注
  • 6
    点赞
  • 踩
  • 32
    收藏
    觉得还不错? 一键收藏
  • 10
    评论
专栏目录
细粒度分类：MA-CNN论文笔记——Learning Multi-Attention Convolutional Neural Network for FGVC
qq_50001789的博客
06-23 273
论文题目：《Learning Multi-Attention Convolutional Neural Network for Fine-Grained Image Recognition》 本文作者提出了一种用于细粒度识别的多重注意力卷积神经网络，同时提出了距离损失和多样性损失来优化不同分支的注意力，使得生成的局部注意力图具有紧密度高、多样性强的特点，并且利用交替优化策略实现判别区域的定位和细粒度特征的表示相互促进学习。
Multi-Attention Multi-Class Constraint for Fine-grained Image Recognition笔记
DBG的博客
12-06 1392
Multi-Attention Multi-Class Constraint for Fine-grained Image Recognition（ECCV2018） 细粒度图像分类一直是一个颇具挑战性的问题，起因是细粒度图像很多存在类间方差小而类内方差大的问题，这样比一般的图像分类难度就大很多。细粒度图像分类有两个关键点，一个是关键性区域定位，二是从关键性区域学得辨别性特征，当前有很多方法在朝这...
深度学习算法transformer中的核心multihead_attention代码
最新发布
weixin_43336108的博客
06-12 191
【代码】深度学习算法transformer中的核心multihead_attention代码。
细粒度论文笔记 ：MACNN 和 PDFR
小星星专栏
12-19 3541
两篇论文 1，H. Zheng, J. Fu, T. Mei and J. Luo, Learning Multi-attention Convolutional Neural Network for Fine-Grained Image Recognition,2017 IEEE International Conference on Computer Vision (ICCV), Veni...
细粒度图像识别论文：Learning multi-attention convolutional neural network for fine-grained image recognition
人生当苦无妨
01-07 5236
论文： Heliang Zheng, Jianlong Fu, Mei Tao, and Jiebo Luo. Learning multi-attention convolutional neural network for fine-grained image recognition. In IEEE International Conference on Computer Vision, ...
Learning Multi-Attention Convolutional Neural Network for Fine-Grained Image Recognition-论文笔记
雪碧橙子
04-30 816
细粒度识别很依赖于标识区域的定位和特征提取。现有的方法都忽略了这样一个问题：特征提取和定位这两个过程是相关的。所以我们提出了一个新的方法：mutil-attention CNN(MA-CNN)，这个方法中位置信息和特征学习可以相互强化。MA-CNN是由卷积、channel group和part classification三个子网络组成。channel grouping的输入是来自卷积提取的fea...
【2020】基于交互注意力卷积神经网络的中文短文本分类
qq_36291847的博客
04-26 1584
文章目录摘要1 引言2 相关工作3 所提方法3.1 嵌入层3.2 特征层3.3 交互注意力层3.3 集成层5 结论和未来工作 论文链接：Chinese Short Text Classification with Mutual-Attention Convolutional Neural Networks 来源：ACM Trans 作者：北京科技大学、中国科学院 摘要 基于词级和字符级特征相结合的方法可以有效地提高短文本分类性能。许多工作将两个级别的特征串联起来，而很少进行处理，这导致了特征信息的丢失。在这
论文阅读笔记 | (ICCV 2017) Multi-Attention CNN for Fine-Grained Image Recognition：MA-CNN
z止于至善的博客
11-11 4908
论文来自中国科学技术大学、微软亚洲研究院以及University of Rochester。 论文下载：Learning Multi-Attention Convolutional Neural Network for Fine-Grained Image Recognition Abstract 识别细粒度类别（例如，鸟类）高度依赖于判别性部分定位（discriminative part ...
MA-CNN:多注意力神经网络
05-26
MA-CNNMulti-Attention-CNN说明本仓库只是对ICCV 2017 论文《Learning Multi-Attention Convolutional Neural Network for Fine-Grained Image Recognition》中的多注意力卷积神经网络进行模仿和复现论文作者GitHub...
多激活卷积神经网络自动学习模型对膝关节软骨损伤的诊断效能分析.pdf
09-25
1. **多激活卷积神经网络（MACNN）**：MACNN是一种深度学习模型，结合了卷积神经网络（CNN）的特征提取能力和多激活函数的优势，能够从复杂的MRI图像中提取关键特征，并通过多层处理进行自动学习，提高诊断的准确性...
原创《基于深度特征学习的细粒度图像分类研究综述》
小星星专栏
06-14 1万+
声明：本文原创，未经本人同意，禁止任何形式的转载！！！ 后记：这篇文章虽然是19年放出来，但是是我在18年初的时候写的，所以文中引用的方法都是17年以前的，有点过时了，现在又出现了好多新方法，最高的在CUB上的精确度已经达到了91%左右 摘 要 深度学习技术已经在各种视觉分析任务中展现出了其强大的特征提取能力。特别是在细粒度图像分类领域，深度特征提取技术让其获得了巨大的性能提升。基于...
注意力神经网络（Attention Neural Networks） lecture13_attention_neural_networks.zip
11-10
图神经网络与注意力网络的联系在于，图神经网络需要预先给定数据之间的关联信息，注意力预先不知道数据之间的关联，而是尝试去发现它。当每个数据点之间两两有边（关系）时，图神经网络与注意力网络是一致的。
细粒度图像分类模型（含实战代码）
学姐带你玩AI的博客
12-24 4237
细粒度图像分类模型
细粒度特征识别
weixin_44523062的博客
06-17 3143
魏秀参 综述 课程 Feature Feature 还是Feature 不变性：光照不变性，旋转不变性，相机不变性，ID不变性，近邻不变性 区别性：外形、细腻特征、 2012年之前 全局特征不变性较差 局部特征 2012之后 深度向量特征 用一个集合表达，怎么到向量表达 pooling 损失 的motivation 协方差矩阵 协方差–》流行空间，测地距离 ...
Learning Multi-Attention Convolutional Neural Network for Fine-Grained Image Recognition 论文阅读
code_fighter 博客
10-06 1056
震
细粒度是什么意思_「明察秋毫」细粒度图像识别（二）：MACNN
weixin_39897758的博客
12-04 1484
论文名称：Learning Multi-Attention Convolutional Neural Network for Fine-GrainedImage Recognition公众号：人工智能Corner，欢迎大佬关注发生了一件很尴尬的事情，就是我在知乎上搜MACNN的相关文章的时候，竟然发现一篇都没有，气愤之下决定写知乎的第一篇MACNN的文章。这是我读的第二篇细粒度识别论文，上一篇RA...
attention代码
fangting的博客
09-01 1163
s计算score的方式有以下几种： import torch class Attn(nn.module): def __init__(self, method ,hidden_size): super(Attn, self).__init__() self.method = method self.hidden_size = hidden...
台大Machine Learning 2017Fall 卷积神经网络 Convolutional Neural Network
u011452172的博客
10-26 540
这是台大李宏毅教师Machine Learning 2017Fall课程 关于讲述卷积神经网络 Convolutional Neural Network内容的部分。 课程主页如下：台大Machine Learning 2017Fall   感兴趣的可以去学习下，主页提供了教学ppt和教学视频。 首先有这样一个问题，为什么CNN非常适用于图像识别？这里给出了3个解释。 1.
A Convolutional Neural Network Approach for Half-Pel Interpolation in Video Coding一视频编码中半像素插值的卷积神经网络
澍yeah的博客
08-16 857
摘要 - 运动补偿是视频编码中的基本技术，用于消除视频帧之间的时间冗余。为了进一步提高编码效率，已经使用了子像素运动补偿，其需要对分数样本进行插值。视频编码标准通常采用源自信号处理理论的固定插值滤波器。然而，由于视频信号不是静止的，固定插值滤波器可能效率较低。受计算机视觉中卷积神经网络（CNN）的巨大成功启发，我们提出设计一种用于视频编码的基于CNN的插值滤波器（CNNIF）。与以前的研究不同，训...
ATT-CNN（attention based CNN）
热门推荐
Tian的博客
10-25 1万+
ATT-CNN文本分类，论文解读（Attention-based Convolutional Neural Networks for Sentence Classification）Attention-based CNN1. Basic CNN2. ATT-CNN 作者：sigma_Tian 来源：CSDN 原文：https://blog.csdn.net/tcx1992/article/det...
评论 10
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