Pairwise Confusion for Fine-Grained Visual Classification 阅读笔记

1) 摘要 尽管细粒度视觉分类数据集的样本数量很少，但是却存在着显著的类内差异性和类别间相似性。然而，先前的工作通常采用定位或者分割来解决类内的差异性，但是，类别间相似性依然影响特征的学习从而降低分类器的性能。针对这一问题，我们提出了一种可端到端惊醒训练的新奇的优化方法--Pairwise Confusion(PC),在激活中故意引入混淆来减少过拟合。通过实验证明PC能够提高定位能力并且在六个细粒

>>阅读原文<<