admin管理员组文章数量:1589822
论文链接：https://arxiv/abs/2002.10191
分享的这篇文章来自于AAAI2020，文章的整个思路并不难理解。文章的idea来自于我们人类对相似图像的识别。一般来说，我们识别相似的图像，一方面是去找到图像中特殊的区域来进行识别，另一方面是通过比较图像对来有效地得到对比线索。这篇论文就是从后者获得的灵感。
文章提出了Attentive Pairwise Interaction Network (API-Net)，该网络可以通过交互逐步识别一对细粒度的图像。
思维导图
Model
整个的网络如上图所示，简单说一下流程如下：
- 在训练阶段，输入一对图像对到backbone中，分别提取特征，得到对应的特征向量 x 1 , x 2 x_1,x_2 x1,x2，然后我们得到一个 mutual vector x m ∈ R D x_m\in \Bbb{R}^{D} xm∈RD
- 我们将 x m x_m xm与 x i x_i xi按通道进行点乘，即用 x m x_m xm查找哪个通道可能包含对比线索，然后再通过sigmoid函数，得到gate vector g i ∈ R D g_i\in \Bbb{R}^{D} gi∈RD
- 然后再gate vector 的指导下进行成对的交互，交互后的向量放入softmax classifier中得到损失函数。
上图中的黄色部分是网络的核心部分， Attentive Pairwise Interaction（API），它是一个即插即用的模块，只在训练的过程中存在，在测试的时候，单图像进行测试，图像通过backbone提取特征向量之后，直接放入softmax classifier中，得到得分向量用于标签预测。
Attentive Pairwise Interaction（API）
这是网路的核心部分，但是并没有很复杂，它主要由三部分组成。
- Mutual Vector Learning.
- Gate Vector Generation.
- Pairwise Interaction
下面详细的介绍一下这三个部分，以更好的来理解文章（个人拙见，有不完备的地方还请路过的大佬指教）。
Mutual Vector Learning. 这是一个很简单的部分，输入一对图像到backbone，提取对应的特征向量 x 1 ,
本文标签： 论文PairwiseAttentiveLearningInteraction
版权声明：本文标题：Learning Attentive Pairwise Interaction for Fine-Grained Classification论文解读 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://www.elefans.com/dianzi/1728076178a1144503.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。
发表评论