CAP：多重注意力机制，有趣的细粒度分类方案，在AAAI 2021中，有哪些长尾词策略被巧妙运用？

本文共计2341个文字，预计阅读时间需要10分钟。

文章提出利用粗粒度分类方法CAP解决模型发现问题，通过上下文感知机制辅助模型发现微观特征变化。除了元素级别的注意机制，还考虑区域级别和局部特征编码方法。

论文提出细粒度分类解决方案CAP，通过上下文感知的注意力机制来帮助模型发现细微的特征变化。除了像素级别的注意力机制，还有区域级别的注意力机制以及局部特征编码方法，与以往的视觉方案很不同，值得一看

来源：晓飞的算法工程笔记 公众号

论文: Context-aware Attentional Pooling (CAP) for Fine-grained Visual Classification

• 论文地址：arxiv.org/abs/2101.06635
• 论文代码：github.com/ArdhenduBehera/cap

Introduction

---

  论文认为大多数优秀的细粒度图像识别方法通过发掘目标的局部特征来辅助识别，却没有对局部信息进行标注，而是采取弱监督或无监督的方式来定位局部特征位置。而且大部分的方法采用预训练的检测器，无法很好地捕捉目标与局部特征的关系。