细粒度论文笔记 ：MACNN 和 PDFR

最新推荐文章于 2024-06-07 07:34:40 发布
最新推荐文章于 2024-06-07 07:34:40 发布
阅读量3.5k 收藏 13
点赞数 2
分类专栏： 计算机视觉 Fine-grained image classification
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/zsx1713366249/article/details/85096094
版权

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), Venice, Italy, 2018, pp. 5219-5227.
2，Zhang X, Xiong H, Zhou W, et al. Picking Deep Filter Responses for Fine-Grained Image Recognition[C], IEEE Conference on Computer Vision and Pattern Recognition. IEEE Computer Society, 2016:1134-1142.

 

       1，Learning Multi-attention Convolutional Neural Network for Fine-Grained Image Recognition，ICCV2017

       目前的细粒度分类方法主要解决的是寻找具有区分的part和精细的特征学习。作者认为他们都忽视了part localication和feature learning 之间的相互关系。因此提出了一个新的part earning 方法，使用mutil-attention 卷积神经网络学习来产生part并进行特征学习，这样使二者都相互得到加强，称为MA-CNN模型。

       模型如下：

       输入一张图片（a）给网络，通过base network 产生feature map(b)；将(b)中的各通道展开，以12个通道为例，得到（c），可见每个通道都有一个峰值响应区域（白色部分），同时有些通道的峰值响应区域相近（同一种颜色外框表示）；文中通过堆叠的全连接层达到聚类效果,把相近的区域归为一类，如图（e），图中划为4类。同类的channel相加，取sigmoid（归一化到0-1）产probabilities，等效于产生4个空间注意区域，即4个mask（局部定位！），这四个mask分别和feature map 进行点乘，得到4个局部精细化的特征，分别进行分类。MA-CNN就是交替的学习,使对每个part的softmax分类损失，及对每个part的channel grouping loss（Lcng）收敛。

       这篇论文的亮点：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）提出了一个channel grouping loss，目的是让part内距离更近（intra-class similarity），不同part距离尽量远（inter-class separability）。

       该方法在实验中取得了很好的效果，在CUB-200，FGVC-Aircraft，Stanford Cars三个数据集上的准确率分别为86.5%，89.9%，92.9%，并和其他的state-of-art方法比较，均为效果最佳。

 

       2，Picking Deep Filter Responses for Fine-Grained Image Recognition.  CVPR 2016

       作者做了两大贡献。第一个是提出了新颖的自动part detection方法，这个part检测方法有两点贡献：

       第一，提出了新颖的检测学习初始化方法。作者先用原始的selective search方法提取一些patch，将它们送入VGG-M网络，查看conv4的输出。结果发现有些通道（channle）对一些特定图案相应，而有些响应十分混乱，对我们的任务没有帮助。作者的初始化方式的关键点就在于精巧地选择响应显著且一致的deep filters。

       第二，作者通过迭代地进行新的正样本的挖掘和正则化part models，学习一系列的detector。作者从每个类别挖掘正样本，并对每个正样本引进正则项，以考虑正样本的异同。学习之后的检测器可以发现有区别的和一致的patch，这对基于part的识别有帮助。

       第二大贡献，是采用了新的适用于细粒度图像识别的特征提取方法。传统的特征表达都使用CNN来实现，但CNN来提取不可避免地包含了大量背景信息，而且一些姿势变化和部分重叠都会影响到检测和识别。为了解决这个问题，作者将deep filter响应视为用于定位的描述符，将其通过Spatially Weighted Fisher Vector (SWFV-CNN)编码。通过SWFV-CNN，对识别很重要的部分会被强调，这样就可以实现让网络有条件地选择那些需要的描述符。

       整个框架结构如下。

       该框架的实现总共分两步：

       第一步是挑选出那些对特定图像响应明显且一致的deep filters，它们就作为weak detectors了。经过weak detectors后可以得到很多patch，从中精巧地选择语义上相似的正样本并训练discriminative detectors。选择正样本和训练分类器是迭代交替地进行的，其中每步都使用交叉验证以防止过拟合。训练后的discriminative detectors可以用来发现一些有助于识别的部分。

       第二步是通过SWFV挑选出有用的CNN filters。其中使用到了一个叫part saliency map的东西，它表明了一个像素属于前景部分的可能性有多大。

       作者在CUB-200和Stansford dogs上做了实验效果很好，分别取得了85.4%和71.96%的好成绩，也是当时的最佳效果。、

 

小星星*
关注
  • 2
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    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
06-23 255
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。
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 1477
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...
MACNN-Learning Multi-Attention Convolutional Neural Network for Fine-Grained Image Recognition
ellin_young的博客
07-08 9106
《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 fo...
目标检测——FGVC-Aircraft数据集
最新发布
猫脸码客的博客
06-07 737
在飞机识别领域，传统的数据集往往只关注于区分不同类型的飞机，如战斗机、客机或直升机。然而，随着航空工业的快速发展，飞机的型号日益繁多，仅仅区分大类已经无法满足实际需求。随着数据集的不断完善和应用场景的不断拓展，我们有理由相信，飞机识别技术将在未来发挥更加重要的作用。FGVC-Aircraft数据集的构成非常精细，每张图像中的飞机都被精确地标注了边界框和层次化的飞机型号标签。如何增强算法的可解释性和可信度？随着数据集的不断完善和应用场景的不断拓展，我们有理由相信，飞机识别技术将在未来取得更加显著的进展。
MA-CNN:多注意力神经网络
05-26
MA-CNN Multi-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地址 本项目的重点是全连接层聚类获得的注意力矩阵和通道损失函数 本项目主要用于图像中细粒度特征的识别和视频流中关键帧的提取 本项目由Pytorch实现，只能运行在GPU上 代码 data_macnn.py 对外提供数据接口，面对不同数据集需要修改继承于Pytorch数据相关模块的三个函数 conv_macnn.py 训练macnn的卷积部分，可以任选卷积网络，注意好输出的通道数量和尺寸就好 part_macnn.py 训练macnn的聚类部分 Dis已实现，D
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 4892
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 ...
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...
【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 1566
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
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
结果显示，MACNN模型在诊断软骨损伤的AUC（曲线下面积）、特异性和准确性上优于传统方法，特别是在识别早期（I级）和中度（II~IV级）损伤时，敏感性、特异性与准确性均有所提升。 5. **临床意义**：MACNN模型的高...
细粒度特征识别
weixin_44523062的博客
06-17 3131
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 ...
CNN网络结构的发展（最全整理）
Mr.Ma-master
11-03 8526
CNN网络结构的发展 本文介绍了CNN基本部件以及其在发展过程中的各种网络结构特性和优缺点 CNN基本部件介绍 局部感受野 在图像中局部像素之间的联系较为紧密，而距离较远的像素联系相对较弱。因此，其实每个神经元没必要对图像全局进行感知，只需要感知局部信息，然后在更高层局部信息综合起来即可得到全局信息。卷积操作即是局部感受野的实现，并且卷积操作因为能够权值共享，所以也减少了参数量。 池化 ...
了解CNN这一篇就够了：卷积神经网络技术及发展
maweifei的博客
10-31 4万+
【新智元导读】深度学习很火，说起深度学习中一个很重要的概念——卷积神经网络（CNN）似乎也人人皆知。不过，CNN究竟是什么，涉及哪些概念，经过如何发展，真正要有逻辑地归纳一遍，估计不少人都说不清。日前，南洋理工大学研究人员梳理CNN发展历史，从基础组成部分讲起，介绍并探讨CNN在视觉识别方面的原理及应用，是系统深入理解CNN的好文。 　　Recent Adva
手把手教你搭建卷积神经网络（CNN）
热门推荐
u013093426的博客
07-20 7万+
本文是基于吴恩达老师的《深度学习》第四课第一周习题所做，如果本文在某些知识点上描述得不够透彻的可以参见相关章节的具体讲解，同时极力推荐各位有志从事计算机视觉的朋友观看一下吴恩达老师的《深度学习》课程。 1.卷积神经网络构成 总的来说，卷积神经网络与神经网络的区别是增加了若干个卷积层，而卷积层又可细分为卷积（CONV）和池化（POOL）两部分操作（这两个重要概念稍后会简单的介绍，如果对CNN的基...
深度学习细颗粒图像分析综述
JianqiuChen的博客
04-12 3129
深度学习细颗粒图像分析综述（图像识别）      计算机视觉（CV）是使用机器理解和分析图像的过程，这是人工智能的组成部分。在CV的各个研究领域中，细粒度图像分析（FGIA）是一个长期存在的基本问题，并且已在各种实际应用中无处不在。 FGIA的任务旨在分析从属类别（例如，鸟类或汽车模型）中的视觉对象。细粒度性质导致的小类间差异和大的类内差异使其成为...
Bsnet:Bi-Similarity Network for Few-shot Fine-grained Image Classification论文复现
hb_learing的博客
04-05 1503
Benet::Bi-Similarity Network for Few-shot Fine-grained Image Classification
【深度学习】细粒度图像识别 (fine-grained image recognition)
JNing
02-02 2万+
【深度学习】细粒度图像识别 (fine-grained image recognition)
cvpr 注意力机制_今日论文|Transformer++刷新翻译SOTA&跨越语言鸿沟的视觉共享嵌入&高度驱动注意力网络&多语言问答数据集&MORE...
weixin_35836405的博客
01-02 4288
今日人工智能领域新增论文224篇，AI日读精选其中36篇推荐给大家。这些论文主要来自CVPR，AAAI，ECAI，AISTATS，ESWC，WAAS，JMLR等会议与期刊。其中包含计算机视觉论文17篇[1-17]，自然语言处理论文5篇[18-22]，方法论论文3篇[27-29]，知识图谱论文4篇[31-34]，推荐系统论文2篇[35-36]。首先来看计算机视觉论文：- 在临床显微镜中处理...
Faster R-CNN
MachineLP的专栏
05-17 2275
摘要 目前最先进的目标检测网络需要先用区域建议算法推测目标位置，像SPPnet[7]和Fast R-CNN[5]这些网络已经减少了检测网络的运行时间，这时计算区域建议就成了瓶颈问题。本文中，我们介绍一种区域建议网络（Region Proposal Network, RPN），它和检测网络共享全图的卷积特征，使得区域建议几乎不花时间。RPN是一个全卷积网络，在每个位置同时预测目标边界和obje
ARIMA SARIMA VAR Auto-ARIMA Auto-SARIMA LSTM GRU RNN CNN MLP DNN MLP-LSTM MLP-GRU MLP-RNN MLP-CNN LSTM-ARIMA LSTM-MLP LSTM-CNN GRU-ARIMA GRU-MLP GRU-CNN RNN-ARIMA RNN-MLP RNN-CNN CNN-ARIMA CNN-MLP CNN-LSTM CNN-GRU ARIMA-SVM SARIMA-SVM VAR-SVM Auto-ARIMA-SVM Auto-SARIMA-SVM LSTM-SVM GRU-SVM RNN-SVM CNN-SVM MLP-SVM LSTM-ARIMA-SVM LSTM-MLP-SVM LSTM-CNN-SVM GRU-ARIMA-SVM GRU-MLP-SVM GRU-CNN-SVM RNN-ARIMA-SVM RNN-MLP-SVM RNN-CNN-SVM CNN-ARIMA-SVM CNN-MLP-SVM CNN-LSTM-SVM CNN-GRU-SVM ARIMA-RF SARIMA-RF VAR-RF Auto-ARIMA-RF Auto-SARIMA-RF LSTM-RF GRU-RF RNN-RF CNN-RF MLP-RF LSTM-ARIMA-RF LSTM-MLP-RF LSTM-CNN-RF GRU-ARIMA-RF GRU-MLP-RF GRU-CNN-RF RNN-ARIMA-RF RNN-MLP-RF RNN-CNN-RF CNN-ARIMA-RF CNN-MLP-RF CNN-LSTM-RF CNN-GRU-RF ARIMA-XGBoost SARIMA-XGBoost VAR-XGBoost Auto-ARIMA-XGBoost Auto-SARIMA-XGBoost LSTM-XGBoost GRU-XGBoost RNN-XGBoost CNN-XGBoost MLP-XGBoost LSTM-ARIMA-XGBoost LSTM-MLP-XGBoost LSTM-CNN-XGBoost GRU-ARIMA-XGBoost GRU-MLP-XGBoost GRU-CNN-XGBoost RNN-ARIMA-XGBoost RNN-MLP-XGBoost RNN-CNN-XGBoost CNN-ARIMA-XGBoost CNN-MLP-XGBoost CNN-LSTM-XGBoost CNN-GRU-XGBoost ARIMA-ANN SARIMA-ANN VAR-ANN 上面这100个缩写模型的全称及相关用途功能详细解释
07-15
以下是对上述100个缩写模型的全称及相关用途功能的详细解释： 1. ARIMA (AutoRegressive Integrated Moving Average): 适用于平稳时间序列数据的预测，结合了自回归 (AR) 和移动平均 (MA) 的模型。 2. SARIMA (Seasonal ARIMA): 在ARIMA模型基础上添加了对季节性因素的建模，适用于带有季节性的时间序列数据的预测。 3. VAR (Vector Autoregression): 用于多变量时间序列数据的预测，基于自回归模型，能够捕捉变量之间的相互依赖关系。 4. Auto-ARIMA: 自动选择ARIMA模型的参数，通过对多个模型进行评估和选择来实现自动化。 5. Auto-SARIMA: 自动选择SARIMA模型的参数，通过对多个模型进行评估和选择来实现自动化。 6. LSTM (Long Short-Term Memory): 长短期记忆网络，一种适用于处理长期依赖关系的循环神经网络，用于时间序列数据的建模和预测。 7. GRU (Gated Recurrent Unit): 一种类似于LSTM的循环神经网络，具有更简化的结构，适用于时间序列数据的建模和预测。 8. RNN (Recurrent Neural Network): 适用于处理序列数据的神经网络模型，能够捕捉时间序列的动态特性。 9. CNN (Convolutional Neural Network): 卷积神经网络，主要用于图像处理，但也可以用于时间序列数据的预测，特别擅长局部模式的识别

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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