反向R？削弱显著特征为细粒度分类带来提高 | AAAI 2020
做者 | VincentLee node 来源 | 晓飞的算法工程笔记算法 导读：论文提出了相似于dropout做用的diversification block，经过抑制特征图的高响应区域来反向提升模型的特征提取能力，在损失函数方面，提出专一于top-k类别的gradient-boosting loss来优化训练过程，模型在ResNet-50上提高3.2%，算法思路巧妙，结构易移植且效果也不错，值
相关文章
- 1. AAAI 2020 | 反向R？削弱显著特征为细粒度分类带来提高
- 2. AAAI 2020 | 反向R？削弱显著特征为细粒度分类带来提升
- 3. 细粒度特征识别
- 4. 细粒度分类
- 5. 细粒度分类：HBP
- 6. 细粒度图像分类
- 7. 细粒度图像识别（2020）
- 8. 观光公交削弱_削弱网络
- 9. PBRNet:Progressive Boundary Refinement Network for Temporal Action Detection （AAAI 2020）
- 10. 细粒度分类 | 细粒度识别中的深度定位与对齐
- 更多相关文章...
- • Scala Trait(特征) - Scala教程
- • PHP 获取图像宽度与高度 - PHP参考手册
- • 为了进字节跳动，我精选了29道Java经典算法题，带详细讲解
- • Kotlin学习（二）基本类型
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
欢迎关注本站公众号,获取更多信息
