文章题目
Look Closer to See Better: Recurrent Attention Convolutional Neural Network for Fine-grained Image Recognition
文章来源
CVPR2019
作者动机
区域定位和细粒度特征学习是细粒度问题中的两大挑战。现有（19年之前）方法主要专注于独立解决这两个问题，然而忽略了两者的相关性，所以提出了一种新的架构——RA-CNN
作者思路
把一张输入的图片进行通过注意力提议网络（APN）进行剪裁，再经过双线性插值放大。其效果相当于丢掉图片中其他信息，放大“我”想看到的东西。效果如下：
网络架构
粗略解释：
输入一张原始图片，对于原始图片有两个任务，一是像常规的图像分类一样经过卷积——全连接——softmax进行分类，得到一系列类别的概率；二是在经过卷积之后得到的一系列特征图，经过注意力提议网络（APN）得到注意力的结果。如上图，我们的注意力在鸟头上，所以我们裁剪掉其他的部分，只留下鸟头，在将鸟头经过双线性池化放大。与文章题目呼应——看的更近看的更好
详细解释：
对于一张图片A，经过特征提取（卷积操作）——全连接——softmax，得到不同类别的概率P，如下图：
损失L(X)1为：
与此同时在特征提取之后得到一系列特征图，经过注意力提议模块
（APN），得到一个正方形的注意力块，记录为：
tx表示注意力的中心x坐标，ty表示注意力中心y的坐标，tl表示注意力块的边长的一半。这就是我们在原来的图片中需要留下的部分。