DAF-NET：一种基于显著性的双注意力融合弱监督细粒度图像分类方法
计算机视觉与模式识别
2020-01-08 v1
摘要
细粒度图像分类是一个具有挑战性的问题，因为难以找到判别性特征。为处理这种情况，基本上有两种途径。一种是利用基于注意力的方法聚焦于信息区域，另一种旨在发现特征间的高阶关系。此外，对于基于注意力的方法有激活式和检测式两个方向，已被学者证明有效。然而，很少工作聚焦于将两类注意力与高阶特征融合。本文提出一种新颖的 DAF 方法，融合两类注意力并将其用作深度双线性变换模块中的 PAF（部件注意力滤波器）以挖掘物体分离部件间的关系。简言之，我们的网络由试图输出两张注意力图的学生网络和使用这两张图作为经验信息来精炼结果的教师网络构成。实验结果表明，仅学生网络在 CUB 数据集上可达到 87.6% 准确率，而与教师网络协作可达到 89.1% 准确率。
引用
@article{arxiv.2001.02219,
title = {DAF-NET: a saliency based weakly supervised method of dual attention fusion for fine-grained image classification},
author = {ZiChao Dong and JiLong Wu and TingTing Ren and Yue Wang and MengYing Ge},
journal= {arXiv preprint arXiv:2001.02219},
year = {2020}
}
备注
arXiv admin note: text overlap with arXiv:1809.00287 by other authors