细粒度分类：MC-Loss源码笔记——The Devil is in the Channels: Mutual-Channel Loss for FGVC

已于 2023-06-24 16:44:39 修改
阅读量313 收藏 1
点赞数 1
分类专栏： 细粒度分类经典论文及源码笔记 文章标签： 细粒度分类 计算机视觉 pytorch 源码笔记 深度学习
于 2023-06-23 20:14:46 首次发布
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/qq_50001789/article/details/131353832
版权
本文详细介绍了《The Devil is in the Channels: Mutual-Channel Loss for Fine-Grained Image Classification》论文，该研究提出了一种新的损失函数——MC-Loss，用于改善细粒度图像分类任务。通过分析网络结构，特别是ResNet中MC-Loss的计算，揭示了MC-Loss如何通过通道间交互提升FGVC性能。同时提供了源码链接和论文笔记，供读者深入理解。
摘要由CSDN通过智能技术生成

细粒度分类：MC-Loss源码笔记——The Devil is in the Channels: Mutual-Channel Loss for Fine-Grained Image Classification

综述

论文题目：《The Devil is in the Channels: Mutual-Channel Loss for Fine-Grained Image Classification》

期刊与时间：IEEE Transactions on Image Processing 2020 (TIP 2020)

论文地址：https://arxiv.org/pdf/2002.04264

源码地址(PyTorch版本)：https://github.com/dongliangchang/Mutual-Channel-Loss

针对领域：细粒度图像分类(FGVC)

论文笔记：https://blog.csdn.net/qq_50001789/article/details/131353561?spm=1001.2014.3001.5501

网

了解本专栏 订阅专栏 解锁全文
视觉萌新、
关注
专栏目录
订阅专栏
细粒度分类：MC-Loss论文笔记——The Devil is in the Channels: Mutual-Channel Loss for FGVC
qq_50001789的博客
06-23 387
论文题目《The Devil is in the Channels: Mutual-Channel Loss for Fine-Grained Image Classification》 本文提出了一种用于学习局部判别特征的损失函数——通道交互损失(MC-Loss)，该损失可以有效地驱动特征通道更具有区分性，并且让其聚焦于各个区域。更重要的是在不引入额外参数的前提下，可以将该损失应用到不同的网络架构中，提升网络的细粒度特征提取能力。
MasaCtrl:Tuning-free mutual self-attention control for consistent image synthesis and editing
liguandong
08-28 858
在所有去噪步骤的所有层上执行mutual self-attention，将会导致图像I和Is相同，原因是在早期步骤中可能会干扰目标图像的布局形成，在早期步骤中，目标图像的布局尚未形成，进一步观察到unet的浅层中的query特征（encoder部分）无法获得与修改后prompt相对应的清晰布局和结构。这些控制无法进行姿态变化，因为它们保持语义布局和结构，受到在多个批次之间执行self-attention可以生成相似图像的启发，在Tune-a-video中也有，在T2I中调整self-attention。
【CV细粒度识别论文总结】The Devil is in the Channels: Mutual-Channel Loss for Fine-Grained Image Classification
我的技术栈碎碎念空间
11-19 2742
Paper：The Devil is in the Channels: Mutual-Channel Loss for Fine-Grained Image Classification（TIP 2021） 1 Motivation and Advantage 简单来说，就是想做细粒度的图像分类（特征细腻，类间差异小，类内差异大等原因）。别人都是通过关键区域标注、注意力机制等方法解决，这篇文章作者另辟蹊径，从损失函数入手，很有创意。 但是作者不想给模型增加额外的网络参数，所以提出只用一个新的损失函数就能够很
The Devil is in the Channels: Mutual-Channel Loss for Fine-Grained Image Classification
cdknight_happy的专栏
09-29 2464
论文：https://arxiv.org/pdf/2002.04264.pdf 代码：https://github.com/PRIS-CV/Mutual-Channel-Loss 1 总体思路 目标细粒度分类，由于子类别间的差异很小且类内差异很大，难度较普通图像分类更大。图1所示为细粒度图像分类数据集CUB-200[1]中的两个物种，加州鸥和北极鸥，从竖直方向的图片对比可以看出，两个不同物种长相非常相似，而从对比水平方向可知，同一物种由于姿态，背景以及拍摄角度的不同，存在较大的类内差异。 因此，要想顺利的对
The Devil is in the Channels: Mutual-Channel Loss for Fine-Grained Image Classification-2020.D.C
xu.hyj
11-15 818
细粒度图像分类比普通图像分类更难，因为在子类间的视觉相似度很高，一些差异很微小，并且这些差异往往分布在不同区域种。所以设计一种高效的特征信息提取方法去定位微小差异区域是解决细粒度图像分类的关键，也是目前的共识。目前人们都都主要关注如何最好定位区分性目标部分，非常典型的就是两个组件组成的模型：1）明确执行区域检测；2）确保学习的特征是最大化区分度的。
【论文阅读】The Devil is in the Channels: Mutual-Channel Loss for Fine-Grained Image Classification
Ayden的博客
04-06 998
【论文阅读】The Devil is in the Channels: Mutual-Channel Loss for Fine-Grained Image Classification摘要具体实现判别组件差异性组件代码 摘要 Key for solving fine-grained image categorization is finding discriminate and local regions that correspond to subtle visual traits. Great str
THE MUTUAL-CHANNEL LOSS (MC-LOSS，附代码分析)
weixin_43786241的博客
07-07 2639
目录 在这一节中，我们提出了互信道损失(MC-Loss)功能，有效地导航模型，聚焦于不同的区分区域，而不需要任何细粒度的限定框/部件注释。 在训练步骤中结合提出的MC-Loss的网络如图2所示。 图2所示:使用MC-Loss的典型细粒度分类网络的框架。MC-Loss函数考虑输出特征通道作为输入，并使用超参数支持与交叉熵(CE)损失函数集合在一起。 对于给定的输入图像，首先通过将图像输入基网络提取特征图;例如，VGG16或ResNet18。令所提取的feature map记为FFF∈RN×W×HR^{N×W
论文阅读：MC-Loss
zzc_zhuyu的博客
06-01 1494
The Devil is in the Channels: Mutual-Channel Loss for Fine-Grained Image Classification（MC-Loss） 2020,TIP 文章目录The Devil is in the Channels: Mutual-Channel Loss for Fine-Grained Image Classification（MC-Loss）摘要1 引言3 MC-Loss3.1 判别性组件3.2 多样性组件4 实验SOTA比较消融 摘要
Mutual-Channel Loss 论文解读
景唯acr
05-14 3731
论文标题：The Devil is in the Channels: Mutual-Channel Loss for Fine-Grained Image Classification 来源：IEEE TIP 2020 针对目标：细粒度图像分类 下载地址：https://arxiv.org/abs/2002.04264 github地址：https://github.com/PRIS-CV/Mutual-Channel-Loss 首先，说说这篇论文的优点：简单，高效，易于实现。这篇论文相比于SOTA的其.
【读论文】MUTUAL-CHANNEL LOSS
整天都在摸鱼鱼
04-16 2227
【读论文】MUTUAL-CHANNEL LOSS 论文题目：《The Devil is in the Channels: Mutual-Channel Loss for Fine-Grained Image Classification》 链接：https://arxiv.org/abs/2002.04264 来源：IEEE TIP2020 细粒度分类的主要思想是找出各个子类间的可区分特征，...
论文笔记：Non-Profiled Deep Learning-based Side-Channel attacks with Sensitivity Analysis（DDLA）
jeanlu的博客
03-14 1703
论文笔记：Non-Profiled Deep Learning-based Side-Channel attacks with Sensitivity Analysis（DDLA） Benjamin Timon eShard, Singapore Contribution
论文阅读 (47)：DTFD-MIL: Double-Tier Feature Distillation Multiple Instance Learning for Histopathology..
因吉的博客
04-19 4245
CVPR2022：用于组织病理学整片图像分类的双层特征蒸馏多实例学习 (DTFD-MIL: Double-tier feature distillation multiple Instance learning for histopathology whole slide image classification)；背景：多示例学习 (MIL) 在病理学整片图像 (histopathology whole slide images, WSIs) 分类上的应用日趋成熟。然而，这样的针对性研究仍然
细粒度分类算法笔记汇总
qq_50001789的博客
06-24 1180
细粒度分类算法笔记汇总
【点云】M3DeTR: Multi-representation, Multi-scale, Mutual-relation 3D Object Detection with Transformers
梁瑛平的博客
07-26 869
本文提出了一种新的三维目标检测架构，M3DETR，它将不同的点云表示（原始、体素、鸟瞰图）与基于多尺度特征金字塔的不同特征尺度相结合。M3DETR 是第一种使用 Transformer 同时统一多个点云表示、特征尺度以及建模点云之间的相互关系的方法。 ...
yolov8目标检测如何设置背景/无标签图像参与训练
aabbcccddd01的博客
11-13 349
yolov8将背景图像加入训练，不是生成一个空白的标签文件，而是将背景图像直接放入训练集即可。
目标检测评估指标详解
qq_57049935的博客
11-14 547
特别是IoU，它在目标检测中用于评估预测框的定位准确性，是其他指标（如TP、FP、FN等）的基础。1.正样本（Positive Sample）：在目标检测任务中，指的是那些确实包含目标物体的图像区域。例如，如果你正在训练一个模型来检测图片中的猫，那么所有包含猫的图片区域都是正样本。示例：假设在一个车辆检测任务中，模型预测了100个区域为车辆，其中有80个确实是车辆，那么精确率为80%。示例：如果一个模型的精确率为80%，召回率为75%，那么它的F1分数约为77.5%。
基于树莓派的边缘端 AI 目标检测、目标跟踪、姿态估计 视频分析推理 加速方案：Hailo with ultralytics YOLOv8 YOLOv11
最新发布
shiter编写程序的艺术
11-16 124
Hailo 发布的 Raspberry Pi AI kit 加速原理，有几篇文章介绍的不错。建议把 下面的装上。
7.2 图像复原之空间滤波
PythonMain的博客
11-13 945
gxyfxyηxyGuvFuvNuv​gxyfxyηxyGuvFuvNuv​gxy或Guv表示退化后的图像fxy或Fuv表示原图像ηxy或Nuv表示图像的噪声&g(x,y)[或G(u,v)]\quad表示退化后的图像\\&f(x,y)[或F(u,v)]\quad表示原图像 \\&\eta(x,y)[或N(u,v)]\quad表示图像的噪声\\​gxy或Guv。
计算机视觉 ---常见图像文件格式及其特点
m0_72968288的博客
11-09 1311
本文将介绍几种常见的图像文件格式及其特点
评论
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

打赏作者

视觉萌新、

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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