Multi-Attention Multi-Class Constraint for Fine-grained Image Recognition论文解读

简介

这篇论文是2018 ECCV的一篇论文，提出了一种半监督的细粒度图像识别的网络。

细粒度图像识别(Fine-Grained Image Recognition)

对于细粒度图像识别，简单的解释就是对于同一个大的类别中，不同子类之间的识别。以狗来进行举例就是，狗是大类，它包含很多的品种，每个品种就可以看做是一个子类。
由于受到多种干扰因素的影响，包括物体姿态、视角、光照、遮挡等，通常会使子类之间的物体差异偏小，而类别之间的物体差异偏大。
基于深度学习的物体分类可以大致分为强监督和弱监督两大类。强监督指图片标注中将物体某些显著特征（即discriminative判别性，可以区分类别的部位信息）给出，弱监督则没有此类信息。
现有的基于深度学习的弱监督方法，主要思路是定位出判别性部位，取得判别性特征做辅助来分类。这属于mid-level学习。加强mid-level学习能力是当前工作的重点。其实这很符合人类辨别细粒度物体的流程。先看全局信息知道大类，然后根据经验把注意力放在一些关键部位来做出判断，这些部位就是网络要找的discriminative parts.

解决的问题？

1. 现在的注意力方法，主要是定位出识别区域，而忽视了识别区域之间的联系。
2. 很多都是multi-stage，效率比较低。
3. 需要大量的初始化操作，工作量比较大。

解决方法

• 提出了一个端到端的网络
• one-squeeze multi-excitation（OSME），能够学习输入图像的多个注意力区域特征。
• multi-attention multi-class constraint（MAMC）,加强注意力之间的联系。

网络架构

两个注意力分支的网络架构如上图所示。

OSME（one-squeeze multi-excitation）

是一种在弱监督下的，基于注意力机制的部件定位的方法，之前的工作包括两种情况：

1. 部件检测，往往将部件检测和特征提取分开，这样的话会增大计算开销
2. 来源于相应可视化的软注意力。

如上图所示，整个的框架结构，以ResNet50作为backline，然后借用SEnet的思想，通过压缩-扩展操作对输出的特征图进行再校准，为了产生P个特征注意力的特征图，对SEnet进行扩展，将一次扩展操作转换为多次扩展操作。
在压缩操作中，我们聚合特征图空间产生通道级的描述符，其维度和通道数一致。采用全局平均池化作为通道统计特征的描述方法。
在扩展操作中，对通道描述符施加多个独立门机制，产生多个注意力图。门机制是FC+Relu+FC+Sigmoid，由于Sigmoid的特性，器输出对通道间的非互斥关系进行编码，我们利用其输出对起初的ResNet50的输出进行再次的加权操作，进而得到特定注意力图。为了对每个特定注意力图进行特征提取，将这些特定注意力图展平成向量之后再输入到FC层。

简单点来说的话就是，本文通过对baseline输出全剧平均池化之后进行多次门操作获得P个特征向量。并认为这些特征向量是对不同非互斥部件/特征的聚类（这里还不能称为判别性特征）。

另外，关于SEnet，简单点理解的话是关注于channel之间的关系，希望模型能够自动的学习到不同channel特征的重要程度，关于SEnet的详细介绍参考 最后一届ImageNet冠军模型：SENet

MAMC (multi-attention multi-class constraint)

这个模块要解决的一个问题就是，如何将OSME产生的注意力特征指向类别，产生判别性注意力特征。
对于之前的工作，有两种方式来进行相关的操作，

1. 把以上的注意力特征合并进行softmax loss(指交叉熵损失函数)，缺陷：不能够掌握两两注意力特征之间的关系。
2. 递归搜索机制，缺陷：通过迭代的方法，会将初代的误差放大，其次它还需要使用强化学习以及一些复杂的初始化的方法。

本文提出了一个更好的方法，就是多注意力多类别机制，能够在训练中增强两两部件之间的关系。
训练集组织： 每个batch中有N对图片，每对两张图片来自同一个子类，取一个图片为锚点（anchor），另一个为此anchor的正样本，然后给出他们所属类别。那么经过OSME模块，假设有P个excitation，那么每个样本就各自产生P个注意力特征向量。（参考度量学习）

每个batch就有2N个样本， 经过OMSE产生2N*P个特征向量，我们想对这些向量进行聚类。举例来说。我们选一个第i类的样本经过OSME模块的第P个分支，则其与第i类第P个特征区域有关。按照关系远近，我们可以把剩余特征向量分成4组：

• 同注意力门同类别：sasc,就是其正样本同一个注意力门的特征向量
• 同注意力门异类别；sadc
• 不同注意力门同类别；dasc
• 不同注意力门异类别；dadc

我们通过度量学习框架探寻4组间关系。

sasc（same attention same class）

这是与所选anchor最为相似的特征向量，其负样本就是sadc并dasc并dadc.

sadc

取自与anchor同意注意力门的不同各类特征，对应于不同子类的相同部位。负样本是dadc.

dasc

取自anchor不同注意力门的同类，对应样本同一子类的不同部位。负样本是dadc.

我们就得到了三种正样本集合和三种负样本集合。我们希望锚点在嵌入空间中与正样本距离比负样本距离小一个阈值。以下是度量学习损失函数，m是阈值。就anchor与正样本的距离要比距负样本距离小至少一个m.

以上三个约束作用过程如下图。
首先把sasc推向锚点，满足第一个约束；然后sadc、dasc与dadc相比应该与锚点更近，把这二者推近，第2，3两种约束漫漫满足。

本文方法结合近期度量学习成果（ Improved deep metric learning with multi-class n-pair loss objective），使用N-pair loss 做loss

总的loss是softmax loss 和 n-pair loss:

最后

以上就是魁梧绿茶为你收集整理的Multi-Attention Multi-Class Constraint for Fine-grained Image Recognition论文解读的全部内容，希望文章能够帮你解决Multi-Attention Multi-Class Constraint for Fine-grained Image Recognition论文解读所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。