《Visual Attention Consistency Under Image Transforms for Multi-Label Image Classification》
- 图像变化下的注意力一致性在多标签图像分类下的应用。
- 本文使用很简单的方法利用class attention map（CAM）使用一个称作Attention consistency loss 的无监督的损失函数来进行不变性的约束。
- 具有强可解释性，并且也达到了很好的效果
作者介绍
因为作者都不是非常出名，所以不做过多介绍
Motivation
上面是我ppt里的内容
总结如下：
- human 的视觉感知对图像的变换（旋转、缩放、反转等）具有很强的不变性，而这种不变性在CNNs中是有缺陷的。作者希望网络也有这种作用
- 本文提出了data augumentation（数据增广）的一个缺陷，我对它的理解是：图像的一些变换（如旋转）应该是比较渐层能学习到的，但是在一般使用数据增广的策略中，都只是使用最后loss来对这种变换进行学习。作者认为这是不合理的。
- related study并没有很好的解决consistency的问题
首先解释什么是consistency
问题描述
网络框架
两个损失函数
这都是两个很普通的损失函数，对于第一个损失函数的理解可能会有点问题，百度上有很多解释的，pj是positive sample在dataset中所占的比例。
实验结果
对论文的总结和分析
