AI智能
改变未来

【论文笔记】CVPR2020 Interpretable and Accurate Fine-grained Recognition via Region Grouping

Contribution

proposed an interpretable deep model for fine-grained visual recognition:

  • 做细粒度分类,但同时output the segmentation of object parts and the identification of their contributions towards classification,增加了模型的可解释性
  • 为了确认object parts,使用a simple prior (prior knowledge)。利用assumption:给定一张图,某个part出现的概率符合Beta distribution(beta distribution具体没懂,之后再了解)。

Methods

  • region-based part discovery and attribution

    输入图片。输出类别,assignment map(区域分割),attention map(标出重要区域)。分三步:

      compare input feature X with part dictionary D, 得到soft part assignment map Q.
    1. 根据Q 和D,从X中pool出region features Z。再根据Z 进一步计算attention a。
    2. 用a reweight Z,算出最终结果。

  • prior-based regularisation

    文章用了一个assumption:

    例如:

    在loss里,除了CELoss以外,还有一个regularisation term,目的是通过缩减学习出的part probability 和prior knowledge的U-shape probability的1D Wasserstein distance来align他们. 文章用了一些数学trick来计算两者的distance,1D Wasserstein distance是什么也没太仔细看。

Results

和其他工作的可视化对比:


不只对比了分类结果,还量化的对比的interpretability(通过计算localisation error):

赞(0) 打赏
未经允许不得转载:爱站程序员基地 » 【论文笔记】CVPR2020 Interpretable and Accurate Fine-grained Recognition via Region Grouping