Learning Attentive Pairwise Interaction for Fine-Grained Classification论文解读

论文链接：https://arxiv.org/abs/2002.10191

分享的这篇文章来自于AAAI2020，文章的整个思路并不难理解。文章的idea来自于我们人类对相似图像的识别。一般来说，我们识别相似的图像，一方面是去找到图像中特殊的区域来进行识别，另一方面是通过比较图像对来有效地得到对比线索。这篇论文就是从后者获得的灵感。
文章提出了Attentive Pairwise Interaction Network (API-Net)，该网络可以通过交互逐步识别一对细粒度的图像。

思维导图

Model

整个的网络如上图所示，简单说一下流程如下：

1. 在训练阶段，输入一对图像对到backbone中，分别提取特征，得到对应的特征向量$x_1,x_2$，然后我们得到一个 mutual vector $x_m\in \Bbb{R}^{D}$
2. 我们将$x_m$与$x_i$按通道进行点乘，即用$x_m$查找哪个通道可能包含对比线索，然后再通过sigmoid函数，得到gate vector$g_i\in \Bbb{R}^{D}$
3. 然后再gate vector 的指导下进行成对的交互，交互后的向量放入softmax classifier中得到损失函数。

上图中的黄色部分是网络的核心部分， Attentive Pairwise Interaction（API），它是一个即插即用的模块，只在训练的过程中存在，在测试的时候，单图像进行测试，图像通过backbone提取特征向量之后，直接放入softmax classifier中，得到得分向量用于标签预测。

Attentive Pairwise Interaction（API）

这是网路的核心部分，但是并没有很复杂，它主要由三部分组成。

1. Mutual Vector Learning.
2. Gate Vector Generation.
3. Pairwise Interaction

下面详细的介绍一下这三个部分，以更好的来理解文章（个人拙见，有不完备的地方还请路过的大佬指教）。

Mutual Vector Learning. 这是一个很简单的部分，输入一对图像到backbone，提取对应的特征向量$x_1,x_2\in \Bbb{R}^{D}$，然后我们通过下式得到一个mutual vector

其中$f_m$是一个$x_1,x_2$的映射函数，一个简单的MLP在实验中就可以产生很好的效果。这个操作，我认为就是将$x_1,x_2$中的discriminative domain放入$x_m$中。它的特征通道中通常包含一些 high-level contrastive clues。

Gate Vector Generation. 从其model的图像中，也可以很明显的看出它是怎么产生的，在上一部分，我已经得到了mutual vector $x_m$，然后将其与$x_i,i\in \{1,2\}$按通道进行点乘，再将其添加到sigmoid中，产生gate vector $g_i \in \Bbb{R}^{D}$，

那么$g_i$有什么深层次的含义呢？我觉得它是用每个$x_i$的discriminative attention来强调语义上的不同。
Pairwise Interaction. 我们在肉眼识别细粒度图像的时候，不仅仅是要关注于每个图像中突出的部分，还要观察彼此的不同部分，基于此，论文通过residual attention引入了交互机制。

$x^{self}_i\in \Bbb{R}^{D}$表示的是通过自身的gate vector强调的， $x^{other}_i\in \Bbb{R}^{D}$表示的是通过一对中其他的gate vector激活的。

Training

API模块最后输出了4个attentive features $x_i^{j}$，然后我们将其输入到softmax分类器中，

$p_i^{j}\in \Bbb{R}^{C}$是预测的得分向量，C是预测类别数。
Loss Function.

第一个$\mathcal{L}_{ce}$是cross entropy loss，第二个$\mathcal{L}_{rk}$是score ranking regularization。

Cross Entropy Loss

这种损失能够使API-Net在标签$y_i$的监督下逐步的识别出所有的attentive features $x_i^{j}$。

Score Ranking Regularization.

$p_i^{j}(c_i)$是预测的向量$p_i^{j}$中获得的分数，$c_i$是于image $i$的ground truth label相关的对应索引。这个损失的目的是，让$x_i^{self}$仅仅通过它自己的gate vector激活。

论文的设计上的主要内容差不多就是这样，那么有一个问题就是，训练图像的pairs是怎么构建的？
Pair Construction.
在a batch中随机的采样$N_{cl}$个类别，对于每个类别，我们随机的采样$N_{im}$个图像，然后将这些图像输入到backbone中去提取特征向量，根据Euclidean distance将其特征与batch中的其他特征进行比较，论文中说的是每张图片能够构建两对，它的特征和batch中最相似的特征，这样的话最后产生的就是$2\times N_{cl}\times N_{im}$个pairs。这个地方不是很明白，两个特征是有顺序的么？有的话那应该的确是两对，如果不是有顺序的话，那这个2对是怎么产生的呢？我觉得在这个地方处理的时候，应该不是很简单。