Learn by attention, learn with confusion.
先引用几段魏秀参大神的论述「见微知著」——细粒度图像分析进展综述
细粒度物体的差异仅体现在细微之处。如何有效地对前景对象进行检测，并从中发现重要的局部区域信息，成为了细粒度图像分类算法要解决的关键问题。对细粒度分类模型，可以按照其使用的监督信息的多少，分为“基于强监督信息的分类模型”和“基于弱监督信息的分类模型”两大类。
……略过一万字，建议自己去看……
一种对Bilinear CNN模型的解释是，网络A的作用是对物体／部件进行定位，即完成前面介绍算法的物体与局部区域检测工作，而网络B则是用来对网络A检测到的物体位置进行特征提取。两个网络相互协调作用，完成了细粒度图像分类过程中两个最重要的任务:物体、局部区域的检测与特征提取。另外，值得一提的是，bilinear模型由于其优异的泛化性能，不仅在细粒度图像分类上取得了优异效果，还被用于其他图像分类任务，如行人重检测（person Re-ID）。
不多解释，直接开始正文了，建议先读上面这篇综述吧。
Bilinear CNN[1][3]
先放网络架构图镇楼：
网络架构很简单，主要就是用外积（matrix outer product）来组合两个CNN（A和B）的feature map (当然也可以不用CNN)，bilinear layer如下:
其中位置l 涵盖了位置和尺度，I 是图像。f 的维度是(K,D)。D是指channel。如果A和B输出的特征维度分别是(K,M)和(K,N)，经过bilinear后维度变为(M,N)。用求和池化函数（sum pooling）来综合不同位置的特征，得到一个全局的图片表示：
由于特征的位置维度被积分掉了，得到的bilinear特征是orderless的。另外注意，外积导致特征的维度D 增大为原来的平方。
最后将bilinear特征经过符号平方根变换，并增加l2标准化（elementwise normalization layer），然后输入分类器，完成分类任务。
这里的两个CNN可以共享部分参数，三种不同的方式如下图：
整体架构依然是DAG，可以直接使用BP算法来优化参数。另外外积的组合方式使得梯度反向传播变得简单，如下图：
但是作者好像只使用了VGG网络。[1]中的内容基本上说完了，下面来看[3]。
[3]比较新，里面综述了一些bilinear cnn的进展。然后主要将上述elementwise normalization layer换成了matrix-normalization layer或者它们的组合，有效提高了准确度（2-3%）。另外在这一layer作者还研究了一些更快的梯度计算方法（如Lyapunov equation，SVD），有些近似计算的方法得到的结果没有变差，速度获得了数量级的提高。
Compact bilinear pooling[2]
如前所述，full bilinear表示中的外积运算使得特征图的维度变为之前的平方。本文提出了两种紧凑的bilinear表示。首先，将bilinear pooling的结果写出来:
与之前的符号不太一样，这里的s表示位置，x是SIFT, HOG或CNN输出的局部描述符（即特征），B的维度是c^2。从核方法的角度来看，对于两组特征X和Y，用线性核分类可以作如下推导：
可见最后相当于是一个二阶多项式核，这有可能解释了实证研究中观察到的优秀表现。
我们使用k(x,y)来表示这个二阶多项式核函数。记得上面刚说过B(X)的维度是c^2，那么这里我们希望找到一个d维的映射phi，使得d远小于c^2，且满足:
即使得降维到d后的内积约等于原来k(x,y)中对c^2的内积。如果能够找到这样的phi，则：
C(X)就是compact bilinear表示。可以看出任何多项式核的低维度近似都可以拿来做compact bilinear pooling。这里研究了Random Maclaurin (RM) 和 Tensor Sketch(TS) 这两种方法。看一下效果与原始bilinear的对比:
可见在投影维度比较大时与Full Bilinear的差别已经很小。Random Maclaurin Projection算法如下：
非常简单，有兴趣可阅读改算法原始论文。Tensor Sketch Projection算法如下：
也不是很复杂。
目前没有见到bilinear的PyTorch实现（Fast Fourier transform support in PyTorch），其他框架似乎都有相关的代码，似乎是在等我来实现 :) 刚装完，发现几天前一下出现了两个实现:
DeepInsight-PCALab/CompactBilinearPooling-Pytorch, https://github.com/gdlg/pytorch_compact_bilinear_pooling，
真刺激！
Multimodal compact bilinear pooling [4][5][8-10]
这一块主要是一些针对Visual Question Answering的工作，暂时不细看了。不过有些对bilinear pooling的改进具有通用性。这里稍微看一下[8]。文章指出前述的Tensor Sketch Projection为了降低固定参数导致的偏差仍需采用较高的投影维度，虽然相比于FB降低了两个数量级，但是仍然可能成为计算的瓶颈。鉴于步子太大容易扯着蛋，我决定先不看这篇的具体实现了。
Fine-grained Image Recognition最近的一些进展[6][7]
Confusion[6]
作者都是流弊学校的。主要想法是交叉熵损失函数在训练有歧义或比较难以分类的图片时，会倾向于学习到图片的一些特有的特征来降低训练误差，对泛化可能没有帮助。作者提出了两种在交叉熵损失函数中增加confusion的办法，Pairwise Confusion（希望预测的logits差别不要太大，更确切的说，是希望不同类别学习到的表示不要区别太大）和Entropic Confusion（希望logits和随机瞎猜的区别不要过大）。目前版本的文章写的不是很清晰，直接看代码很简单：PyTorch和Caffe实现。注意，这里的Confusion本质是一种正则化，带来了新的weighting parameter。作者发现Confusion获得的准确度高于使用weight decay和DeCov。还可以与Dropout联合使用，在三个实验中都获得了最佳的测试准确率。
Look closer to see better[7]
是微软亚洲研究院梅涛研究员等人发表的论文，CVPR 2017大会的亮点之一，提出了一个新的循环注意力卷积神经网络，参见微软亚洲研究院CVPR 2017 Oral论文：逐层集中Attention的卷积模型。后面有必要再细看这篇吧。
Kernel pooling[11]
来自康村的工作，将[2]的二阶多项式核函数推广到高阶泰勒核函数。大概看了下，在鸟数据集比[7]要好一个点，在斯坦福车数据集也和[7]差不多。另外[3]引用了这篇。其tf代码尚未公开。算法如下：
References
1. Lin T Y, RoyChowdhury A, Maji S. Bilinear cnn models for
fine-grained visual recognition[C]//Proceedings of the IEEE
International Conference on Computer Vision. 2015: 1449-1457.
2. Gao Y,Beijbom O, Zhang N, et al. Compact bilinear pooling[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016: 317-326.
3. Lin T Y, Maji S. Improved Bilinear Pooling with CNNs[J]. arXiv preprint arXiv:1707.06772, 2017.
4. Fukui A, Park D H, Yang D, et al. Multimodal compact bilinear pooling for visual question answering and visual grounding[J]. arXiv preprint arXiv:1606.01847, 2016.
5. VQA 之 Multimodal Compact Bilinear Pooling
6. Dubey A, Gupta O, Guo P, et al. Training with Confusion for Fine-Grained Visual Classification[J]. arXiv preprint arXiv:1705.08016, 2017.
7. Fu J, Zheng H, Mei T. Look closer to see better: recurrent attention
convolutional neural network for fine-grained image
recognition[C]//IEEE Conference on Computer Vision and Pattern
Recognition (CVPR). 2017.MLA
8. Kim J H, On K W, Kim J, et al. Hadamard product for low-rank bilinear pooling[J]. arXiv preprint arXiv:1610.04325, 2016.
9. Yu Z, Yu J, Fan J, et al. Multi-modal Factorized Bilinear Pooling with Co-Attention Learning for Visual Question Answering[J]. arXiv preprint arXiv:1708.01471, 2017.
10. Yu Z, Yu J, Xiang C, et al. Beyond Bilinear: Generalized Multi-modal Factorized High-order Pooling for Visual Question Answering[J]. arXiv preprint arXiv:1708.03619, 2017.
11. Cui Y, Zhou F, Wang J, et al. Kernel pooling for convolutional neural networks[C]//Computer Vision and Pattern Recognition (CVPR). 2017.
---------------------
作者：Wayne2019
来源：CSDN
原文：https://blog.csdn.net/wayne2019/article/details/78441001
版权声明：本文为博主原创文章，转载请附上博文链接！