今年秋招CV坑位很少的样子，哭哭
又是篇细粒度啦
上链接：
Pairwise Confusion for Fine-Grained Visual Classification
这篇论文的核心在于，降低对于细粒度的过拟合，添加了confuse loss（emmm。。。其实就是L2）
对于细粒度来说，角度，光照等不同，类间距离有时会大于类内距离，为了完成细粒度分类，模型会过于聚焦在类内等共性，从而会出现过拟合：train accuracy很高，但是test比较低。为了解决过拟合问题，作者旨在拉近不同label之间的距离。
论文想要不同label的softmax激活值分布相差不是很远，关于一个分布拟合另一个分布，首选KL，但是对称KL很难使用SGD去学习。
p θ ( y 1 ∣ x 1 ) = 1 − δ 1 , p θ ( y 2 ∣ x 2 ) = 1 − δ 2 ,
版权声明：本文为qq_28778507原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。