阅读小结：Fine

小结：Fine"/>

阅读小结：Fine

这是一篇baidu research的paper。

主题为细力度分类。这个问题在于找到一些关键的细节。比如在鸟类数据集CUB上，专家往往也是通过鸟的尾巴，或者头部来对鸟类分类的。

What：

预测细力度分类的CNN＋MDP的网络。

1. 融合了三个元素： 特征提取，attetion 和细力度分类一起训练。（比如有些之前paper是把attetion part额外切割出来的。如鸟的头部专门train个CNN。最后多个model fusion）

2. 使用了弱监督的增强学习（reinforcelearning），不需要额外的标注信息。（比如语义分割信息）

3. 全卷积网络提升了训练和测试速度。

4.贪心的奖励策略加速了收敛。

读前疑问：

1.最后怎么结合reinforce learning的？

其实attention的选择可以看成马尔科夫决策过程中的action（我选择哪个atttention去看）

最后的reward为分类结果的好坏。

How：

模型分为3个部分

1. Feature Map Extraction:

在训练时复用了feature map（后面叉出来的3路，用的所有map都是之前map上的crop，而非原始图上的crop）

而在测试时图像和所有的attention crop都会resize到一个指定尺寸。

2. Part Attention

这部分将原始输入，转为了single channel的图片，做了softmax 将activation都转为［0，1］之间的值。视为part的置信度。

在测试中模型选择有最高probability的区域（图中小白点）作为part location。而在训练过程中模型采样了多次。

3.细力度分类

每一个patch都有一个cnn负责。随后为softmax。

在测试中，最后prediction为softmax结果的average，再取最大。

4.训练过程中优化目标

函数2 前半段是最大化奖励R  后半段实际上就是原来的分类误差L最小。

R可以由   选这个attention概率乘对应的reward得到

看下面这张图比较清晰。

5.reward大小的策略

如果上一个判断对了，马上就reward 1。

如果这次对了，上次分类的objective比这次大（也就是上次判断得不好），也reward1.

否则是 0.