细粒度分类：CAL论文笔记——Counterfactual Attention Learning for Fine-Grained Visual Categorization

已于 2024-11-06 21:32:31 修改
阅读量1k 收藏 3
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： 论文阅读 论文笔记 细粒度分类 计算机视觉 分类 人工智能
于 2023-06-24 14:51:24 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/131361726
版权
论文《Counterfactual Attention Learning for Fine-Grained Visual Categorization》探讨了如何通过因果推理改进细粒度图像分类的注意力学习。现有的注意力机制常依赖最后的预测损失，而忽视了注意力与预测间的因果关系。作者提出了反事实注意力学习(CAL)框架，通过对比事实和反事实注意力的影响来量化和优化注意力质量，减少数据偏差的影响。实验显示，CAL能引导模型关注关键特征，提高分类准确性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

细粒度分类：CAL论文笔记——Counterfactual Attention Learning for Fine-Grained Visual Categorization and Re-identification

综述

论文题目：《Counterfactual Attention Learning for Fine-Grained Visual Categorization and Re-identification》

会议时间：IEEE International Conference on Computer Vision 2021 (ICCV, 2021)

论文地址：https://openaccess.thecvf.com/content/ICCV2021/papers/Rao_Counterfactual_Attention_Learning_for_Fine-Grained_Visual_Categorization_and_Re-Identification_ICCV_2021_paper.pdf

源码地址(PyTorch版本)：https://github.com/raoyongming/CAL

针对领域：细粒度图

了解本专栏 订阅专栏 解锁全文
【图神经网络论文整理】（一）—— Causal Attention for Interpretable and Generalizable Graph Classification：CAL
CSDN 精品推荐
11-19 2265
本文介绍的论文是中科大王翔教授等人在KDD2022上发表的《Causal Attention for Interpretable and Generalizable Graph Classification》。作者强调了当前基于注意力和池化的GNN在图分类中的泛化问题，并且提出了一种新的用于图分类的因果注意力学习策略（CAL），使GNN在过滤掉捷径特征的同时利用因果特征，最后在合成数据集和真实数据集上的大量实验证明了CAL的有效性。一、背景。
细粒度分类：CAL源码笔记——Counterfactual Attention Learning for Fine-Grained Visual Categorization
qq_50001789的博客
06-24 667
论文《Counterfactual Attention Learning for Fine-Grained Visual Categorization and Re-identification》源码笔记
Counterfactual Attention Learning for Fine-Grained Visual Categorization and Re-identification 论文学习
calvinpaean的博客
10-08 5189
论文地址：https://arxiv.org/pdf/2108.08728.pdf Github地址：https://github.com/raoyongming/CAL Abstract 注意力机制在细粒度视觉分类任务上非常有效。本文介绍了一个反事实的注意力学习方法，基于因果推理来学习更加有效的注意力。现有的方法都基于传统的概率来学习注意力，本文作者提出利用反事实因果关系来学习注意力，为评价注意力的质量提供了一个强力的工具，提供的监督信号可有效地指导训练过程。作者通过反事实介入，分析学到的注意力对网络预测
Counterfactual Attention Learning for Fine-Grained Visual Categorization and Re-identification
gaoxueyi551的专栏
09-07 541
本文将因果推理中的反事实理论和注意力学习相结合，因果推理近几年和视觉任务结合的比较紧密，因此这篇文章也算是挺前卫的了，通篇读来，其切入角度、可解释性、简洁性、推理时效等，觉得还是非常可借鉴的，因此整理一番同大家一道学习。
推荐：Counterfactual Attention Learning——深度学习的新视角
gitblog_00099的博客
06-15 560
推荐：Counterfactual Attention Learning——深度学习的新视角 CAL项目地址:https://gitcode.com/gh_mirrors/cal/CAL 项目介绍 Counterfactual Attention Learning (CAL) 是一个由顶尖研究者开发的开源项目，其目标是推动细粒度视觉分类和行人重识别领域的边界。该项目基于PyTorch实现，并在I...
论文笔记--CAL
qq_45542288的博客
01-12 570
文中，作者使用了随机注意力，一致注意力，反向注意力和变换位置的注意力四种打乱方法，并进行了对比实验，最终选择了性能最好的随机注意力（Random Attention）方法。作者认为，Yeffect能够表示提取出的Attention Maps相较于错误的Attention Maps是如何提高预测的准确度的，并根据Yeffect和预测结果的关系，在损失函数中加上两者的交叉熵损失，以指导模型学习更有效的Attention Maps，并避免从错误的区域去学习信息。这里的反事实实际表达的是错误的意思。
细粒度分类算法笔记汇总
qq_50001789的博客
06-24 1531
细粒度分类算法笔记汇总
【逻辑清晰、内容详细】细粒度分类算法总结（细粒度分类综述）
qq_50001789的博客
06-24 1681
本文为笔者根据17-21年之间的顶会文章所写的细粒度算法总结，同时包括一些该方向的思考，相信你读完肯定会有很大的收获。
跨模态行人重识别：Counterfactual Intervention Feature Transfer forVisible-Infrared Person Re-identification笔记
weixin_43898295的博客
10-12 1879
对于图库数据，模态间的交互是微不足道的，因为它只是引入了固定查询所提供的信息，这些信息是冗余的，甚至是噪声的。对于异质过程和同质过程，由于模态内和模态间的相似性差异很大，我们采用了不同的τ。（1）针对训练-测试模态平衡差距，提出了一个同质和异质特征转移(H2FT)模块，包括两种独立的设计良好的图形模块和一个非平衡场景模拟，它更适合于处理非平衡模态分布场景中的样本交互。（1）训练-测试模态平衡间隙，两种模态数据的数量在训练阶段是平衡的，但在推理上却极不平衡，导致基于图形的VI-ReID方法的泛化程度较低。
细粒度视觉分类（FGCV，Fine-Grained Visual Categorization）
sunnygirl's house
05-06 4057
细粒度视觉分类（FGCV，Fine-Grained Visual Categorization） 即识别细分类别的任务，一般它需要同时使用全局图像信息与局部图像信息精准识别图像子类别。 解决方案： 一般细粒度识别可以分为两种，即基于强监督信息的方法和仅使用弱监督信息的方法。 基于强监督的细粒度识别通常需要使用边界框和局部标注信息，例如2014年提出的Part-based R-CNN利...
今日arXiv精选 | 34篇顶会论文：CIKM/ ACL/ Interspeech/ ICCV/ ACM MM
Paper weekly
08-20 2617
关于#今日arXiv精选这是「AI 学术前沿」旗下的一档栏目，编辑将每日从arXiv中精选高质量论文，推送给读者。DESYR: Definition and Syntactic Re...
深度学习各子领域略览及术语列表
诸神缄默不语的博客
01-05 2894
深度学习各子领域略览及术语列表
可解释医学视觉问答的反事实因果干预| 文献速递-基于深度学习的多模态数据分析与生存分析
最新发布
weixin_38594676的博客
07-16 1007
生成了足够的可视化结果来分析CCIS-MVQA的可解释性和性能。一个数据集 {(vi,qi,ai)}i=1N{(v_i, q_i, a_i)}_{i=1}^N{(vi,qi,ai)}i=1N 由图像 vi∈Vv_i \in Vvi∈V、问题 qi∈Qq_i \in Qqi∈Q 和候选答案 ai∈Aa_i \in Aai∈A 的三元组组成。我们将反事实解释和因果推理引入CCIS-MVQA，探讨VQA-Med系统如何响应因果干预策略（例如，给定焦点的覆盖图像，模型如何生成预测答案），并量化这些干预策略的效果。
AKEN（细粒度图像分类）
weixin_45409613的博客
05-18 1284
本周阅读了 Attentional Kernel Encoding Networks forFine-Grained Visual Categorization 这篇文章，在本文中，作者提出了用于细粒度视觉分类的注意力核编码网络（AKEN）。AKEN 聚合来自 ConvNets 最后一个卷积层的特征图，以获得整体特征表示。通过傅里叶嵌入，它对纵向和横向的特征进行编码，很大程度上保留了空间布局信息。
细粒度图像分类（FGVC）---综述
热门推荐
xys430381_1的专栏
04-28 7万+
一、概述 什么是细粒度图像分类 细粒度图像分类问题是对大类下的子类进行识别。细粒度图像分析任务相对通用图像（General/Generic Images）任务的区别和难点在于其图像所属类别的粒度更为精细。 以图1为例，通用图像分类其任务诉求是将“袋鼠”和“狗”这两个物体大类（蓝色框和红色框中物体）分开，可见无论从样貌、形态等方面，二者还是很容易被区分的；而细粒度图像的分类任务则要求对“狗”该类类别......
论文阅读(4)--Part-Stacked CNN for Fine-Grained Visual Categorization
AI 算法笔记
10-12 5880
这篇文章是来自悉尼科技大学Shaoli Huang等人的工作，与前两篇文章的出发点类似，本篇文章也是在Parts上寻找Fine-Grained的线索，但与前两篇文章相比，在框架中人工的参与更少。
Multi-branch and Multi-scale Attention Learning for Fine-Grained Visual Categorization 论文学习
calvinpaean的博客
04-03 2965
Abstract ILSVRC（ImageNet大规模视觉识别挑战赛）是计算机视觉领域最权威的学术竞赛之一。直接将 ILSVRC 每年的冠军方案应用在细粒度视觉分类（FGVC）任务上无法取得很好的表现。对于 FGVC 任务而言，类间差异小而类内差异大的特点使这个问题变得很有挑战性。本文的注意力目标定位模块（AOLM）可以预测目标的位置，注意力局部提议模块（APPM）可以发现信息丰富的局部区域，无需边框或部分标注信息的帮助。得到的目标图像不仅包含目标的全部结构，也包含更多的细节信息，局部图像有多个不同的尺度和
论文笔记 | 基于深度学习的细粒度物体分类综述
kangdk 视其所以，观其所由，察其所安。
04-19 1万+
节选整理自：A Survey on Deep Learning-based Fine-grained Object Classification and Semantic Segmentation 细粒度分类综述 细粒度分类：同一类中不同子类物体间的分类。 难点：受视角、背景、遮挡等因素影响较大，类内差异较大、类间差异较小。 基于深度学习的物体分类可以大致分为4类： 使用通用DCN...
论文阅读：FFVT for FGVC
zzc_zhuyu的博客
08-06 2919
Feature Fusion Vision Transformer for Fine-Grained Visual Categorization 文章目录Feature Fusion Vision Transformer for Fine-Grained Visual Categorization摘要1 引言2 相关研究3 方法3.1 Transformer3.2 FFVT架构特征融合模块相互注意力权重选择模块MAWS4 实验5 总结 摘要 深层的分类token更关注全局信息，缺乏局部和低级特征。文本提出
Counterfactual Samples Synthesizing for Robust Visual Question Answering的主要方法
06-11
Counterfactual Samples Synthesizing for Robust Visual Question Answering 的主要方法是通过生成反事实样本来提高视觉问答模型的鲁棒性。具体来说，该方法通过对输入图像进行随机扰动，生成一些与原始图像类似但含有不同特征的反事实图像，然后将这些反事实图像与原始图像一起作为训练数据输入模型进行训练。通过这种方法，模型可以学习到哪些特征对分类器决策的影响最大，从而提高其鲁棒性。此外，该方法还使用了一种基于注意力机制的方法来选择生成反事实图像时应该扰动哪些特征，从而提高了反事实图像的多样性和有效性。通过这种方法，Counterfactual Samples Synthesizing for Robust Visual Question Answering 能够提高视觉问答模型的鲁棒性，使其在更广泛的环境和场景下表现更好。
评论 1
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