Pairwise Confusion for Fine-Grained Visual Classification
摘要
文中主要介绍了一种称为pairwise confusion正则化的方法。这类方法能够关注到类内的相似性。
在pairwise confusion结构中，使用了孪生网络在一个新的loss function中训练，目的是为了将类别内的概率更加接近。
网络结构
使用一个类似孪生网络的结构，对每个分支使用交叉熵训练，然后再使用 engery_distance 最小化loss，将每一个batch 分解成两个小batch输入到孪生网络中。
名词解释
条件概率confusing，使得两张图片对于输出各类的概率分布相似，主要使用距离来度量。
K-L三散度可以用来度量，条件概率分布的相似性距离。文中给出了欧式距离以及K-L散度的两种介绍。
Loss 函数
其中N表示类别数量，其中u，v表示集合量的多少， i，j表示类别。
欧式度量的解释
i, j类别集合mi, mj，欧式度量如下
简化认为两个集合的数量总体都是n