本文介绍了DCL方法，一种用于细粒度图像识别的创新框架，通过“破坏”和“构建”学习，提高网络在有辨识力区域学习的能力。破坏学习利用区域混淆机制打乱图像结构，强调局部细节，同时通过对抗学习减少噪声影响；构建学习则通过区域对齐网络恢复布局，学习区域间的语义关联。实验表明，DCL在细粒度识别中表现出色，具有良好的鲁棒性和实用性。
细粒度分类：DCL论文笔记——Destruction and Construction Learning for Fine-grained Image Recognition
综述
论文题目：《Destruction and Construction Learning for Fine-grained Image Recognition》
会议时间：IEEE Conference on Computer Vision and Pattern Recognition 2019 (CVPR, 2019)源码地址(PyTorch版本)：https://github.com/JDAI-CV/DCL
针对领域：细粒度图像分类(FGVC)
源码笔记：https://blog.csdn.net/qq_50001789/article/details/131353263?spm=1001.2014.3001.5501
订阅专栏 解锁全文
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
