论文阅读-《Learning Deep Features for Discriminative Localization》

最新推荐文章于 2023-08-11 15:37:29 发布
最新推荐文章于 2023-08-11 15:37:29 发布
阅读量1.2w 收藏 23
点赞数 11
分类专栏： Computer Vision 计算机视觉论文研读
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/yaoqi_isee/article/details/62214648
版权

收录于CVPR2016

  1. 关于全连接层不能保持spatial information的理解
    相比全连接层，卷积层是一个spatial-operation，能够保持物体的空间信息(translation-variant)。比如一个物体原来在左上角，卷积之后的结果feature-map在左上角的激活值大。如果这个物体移动到右下角，那么卷积之后的feature-map同样会在右下角的激活值比较大。但是对于全连接层来说，它是将feature-map所有位置的信息综合之后输出，和物体的具体位置在哪里无关，比如一张图，人在左上角和右下角得到的fc层的输出应该是一致的（因为后面就接softmax分类了）

  2. 本文的contribution
    Revisit the global average pooling,and sled light on how it explicitly enables the convolutional neural network to have remarkable localization ability despite being trained on image-level labels

  3. 行文思路
    1 背景提出：卷积神经网络里面的每一个卷积单元其实都扮演着一个个object detector的角色，本身就带有能够定位物体的能力。但是这种能力在利用全连接层进行classification的时候就丢失了。因此，像那些全卷积的神经网络，比如googlenet，都在避免使用全连接层，转而使用global average pooling，这样的话不仅可以减少参数，防止过拟合，还可以建立feature map到category之间的关联。

    2 作者想法：global average pooling(ga

最低0.47元/天 解锁文章
yj_isee
关注
  • 11
    点赞
  • 踩
  • 23
    收藏
    觉得还不错? 一键收藏
  • 7
    评论
专栏目录
论文笔记：Learning Deep Features for Discriminative Localization
2201_75664784的博客
12-17 283
通过CAM技术不仅可以知道CNN在图像分类时关注的是原图的哪个部分，而且可以知道不同特征（原图中的不同物体或不同区域）的重要程度
【论文阅读】Learning Deep Features for Discriminative Localization
正善有的博客
04-15 3448
Abstract 研究了全局平均池化(global average pooling, GAP)，分析了它如何仅仅使用图像级标签训练就能使CNN具有出色的定位能力(localization ability)。作者发现，尽管GAP若为一种正则化手段被提出(来自Network in Network)，但它其实建立了一种具有定位能力的表示 ，可以显示出CNN在一张图片中关注到的区域。作者仅使用GAP和图像级标签（即仅使用图像标签进行弱监督语义分割），在ILSVRC2014的目标检测任务上取得了37.1%的top-5
阅读：Learning Deep Features for Discriminative Localization
zhang_moi的博客
03-20 3945
作者：Bolei Zhou, Aditya Khosla, Agata Lapedriza, Aude Oliva, Antonio Torralba 来源：CVPR2015 摘要 本文重新审视了《 Network in network》中提出的全局平均池化层（global average pooling），阐明了它是如何通过图片标签就能让卷积神经网络具有卓越的定位能力。虽然这项技术以前被当做正则化训练的一种方法，但是我们发现它实际构建了一种通用的适用于各种任务的能定位的深度表示。尽管global av
[翻译]Learning Deep Features for Discriminative Localization
西西&&C的专栏
05-02 1142
英文原文请点这里 摘要 在这项工作中， 我们重新审视了《 Network in network》中提出的全局平均 池化层（global average pooling），并阐明了它是如何通过图片标签就能让卷积神经网络具有卓越的定位能力。虽然这项技术以前被当做正则化训练的一种方法，但是我们发现它实际构建了一种通用的适用于各种任务的能定位的深度表示。尽管global average pooling...
CAM：Learning Deep Features for Discriminative Localization论文翻译笔记（2016-CVPR）
qq_42779103的博客
01-06 871
2016-CVPR-CAM 论文笔记 CAM原文：Learning Deep Features for Discriminative Localization 摘要 这项工作中，作者重新审视了之前提出的全局平均池化层（global average pooling， GAP），并阐明了它是如何使只经过图像标签训练CNN具备显著的定位能力（localization ability）。 虽然GAP最初是作为规范化训练手段被提出的，但作者发现GAP实际上是构建了一个通用的定位深度表征（generic local
【CAM】Learning Deep Features for Discriminative Localization
Ziy的博客
10-12 1616
2016年可视化神经网络各层的提取特征的经典深度学习可解释性论文，用于各经典网络中可用于图像识别、物体检测、物体定位，语义问答，场景识别等多种应用场景
Learning Deep Features for Discriminative Localization论文原文加翻译
06-11
《Learning Deep Features for Discriminative Localization》是一篇在2016年CVPR（Computer Vision and Pattern Recognition）会议上发表的重要论文，由Kaiming He、Georgia Gkioxari、Piotr Dollar和Ross Girshick...
Deep-Person Learning discriminative deep features for person Re-Identification
05-18
这是2020年在Pattern Recognition上发表的一篇行人再识别文章，作者提出一个三分支网络Deep-Person. 来学习高判别力的深度特征。有两个创新点：（1）将人体看作一个从头到脚身体部件的序列，通过LSTM学习各部分之间...
L2-Net: Deep Learning of Discriminative Patch Descriptor in Euclidean Space
02-06
The research focus of designing local patch descriptors.has gradually shifted from handcrafted ones (e.g., SIFT) to.learned ones. In this paper, we propose to learn high per-.formance descriptor in ...
Learning features for discriminative behavior analysis of evolutionary algorithms via slow feature analysis
02-11
Learning features for discriminative behavior analysis of evolutionary algorithms via slow feature analysis
Adaptive Semi-supervised Learning with Discriminative Least Squares Regression
02-07
Adaptive Semi-supervised Learning with Discriminative Least Squares Regression
Learning Deep Features for Discriminative Localization
最新发布
那些年踩过的“坑”
08-11 415
在这篇工作中，我们又重新探讨了全局平均池化层，并且阐释了CNN网络是如何显式的拥有定位的能力，尽管是在图像级的标签上进行的训练。尽管这种方法常用在训练时候进行正则化，但是我们也发现它建立了通用局部的深度表示来应对于各种任务并且也得到了证明；=》提出 全局平均池化层，它主要有两个功能：（1）很简单的正则化（2）使网络具有定位的能力；在这里主要讲第二种。全局平均池化层（Global Average Pooling Layer）是一种常用于深度学习卷积神经网络（CNN）中的特征提取层。
论文阅读：Learning Deep Features for Discriminative Localization（CAM）
zzc_zhuyu的博客
04-10 2475
Learning Deep Features for Discriminative Localization 文章目录Learning Deep Features for Discriminative Localization摘要1 引言相关研究*2 类激活图（Class Activation Mapping，CAM）3 弱监督目标定位3.1 实验设置3.2 实验结果4 用于通用定位的深度特征4.1 细粒度识别4.2 模式发现5 可视化特定类别的单位6 总结 摘要 回顾全局平均池化GAP仅在图像标签级别上
Learning Deep Features for Discriminative Localization笔记
晓峰博客笔记
03-31 1万+
1. 背景    卷积神经网络里面的每一个卷积单元其实都扮演着一个个object detector的角色，本身就带有能够定位物体的能力。但是这种能力在利用全连接层进行classification的时候就丢失了。因此，像那些全卷积的神经网络，比如googlenet，都在避免使用全连接层，转而使用global average pooling，这样的话不仅可以减少参数，防止过拟合，还可以建立featur...
论文那些事—Learning Deep Features for Discriminative Localization
shuweishuwei的博客
10-16 186
1、摘要/背景 论文主要针对图片中不同类别物体定位的弱监督学习问题，提出了基于分类网络的图片识别与定位。在分类模型中，卷积层本身带有物体定位功能，比如一个物体在左上角，那么卷积之后的结果 feature-map在左上角的值会比较大。但分类网络中都带有全连接层，它是将feature-map所有位置的信息综合之后输出，和物体的具体位置无关，只关心最后的分类结果。作者想到丢失物体位置信息就是因为网络末端使用了全连接层，通过使用GAP代替全连接层，从而使卷积网络的定位能力延续到网络的最后一层（GAP并不是本文提出
Yolo v2 训练 NAN解决过程
热门推荐
yj_isee的博客
03-23 1万+
主要参考https://zhuanlan.zhihu.com/p/25110930问题描述今天在用yolo训练自己的数据集的时候，一开始训练过程中的loss还很正常地在下降。结果到了几个个batch的地方突然就出现loss = nan的情况。其实到现在自己也没有发现到底是什么导致了nan，但是参考上面这篇文章，至少暂时解决了这个问题。解决过程1)首先检查了代码是不是对的。一般出现nan，第一反应是：
learning deep features for discriminative localization
03-16
"学习深度特征用于判别性定位" 是指通过深度学习方法来学习图像中重要特征，用于识别图像中的某个目标物体的位置。这种方法通常使用卷积神经网络（CNN）来提取特征，并使用预训练的模型或自定义的网络结构来进行训练...
评论 7
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