Pairwise Confusion for Fine-Grained Visual Classification 閱讀筆記

1) 摘要 儘管細粒度視覺分類數據集的樣本數量很少，但是卻存在着顯著的類內差異性和類別間相似性。然而，先前的工作通常採用定位或者分割來解決類內的差異性，但是，類別間相似性依然影響特徵的學習從而降低分類器的性能。針對這一問題，我們提出了一種可端到端驚醒訓練的新奇的優化方法--Pairwise Confusion(PC),在激活中故意引入混淆來減少過擬合。通過實驗證明PC能夠提高定位能力並且在六個細粒

>>阅读原文<<