기사 제목
자세히 보기 위해 더 가까이 보기: 세밀한 이미지 인식을 위한 순환 주의 컨볼루셔널 신경망
기사 출처
CVPR2019
저자 동기
지역 현지화와 세분화된 기능 학습은 세분화된 문제의 두 가지 주요 과제입니다. 기존(19년 이전) 방법은 주로 이 두 가지 문제를 독립적으로 해결하는 데 중점을 두지만 둘 사이의 상관 관계를 무시하므로 새로운 아키텍처인 RA-CNN이 제안됩니다.
작가의 아이디어
입력 이미지는 APN(Attention Proposal Network)을 통해 자른 후 쌍선형 보간을 통해 확대됩니다. 그 효과는 사진 속 다른 정보를 버리고 '나'가 보고 싶은 것만 확대하는 것과 같습니다. 효과는 다음과 같습니다.
네트워크 아키텍처
대략적인 설명:
원본 사진을 입력합니다. 원본 사진에는 두 가지 작업이 있습니다. 하나는 기존 이미지 분류와 마찬가지로 Convolution-full Connected-Softmax를 통해 원본 사진을 분류하고 일련의 범주에 대한 확률을 구하는 것입니다. 컨볼루션 후 일련의 카테고리에 대한 확률을 얻습니다. 생성 후 얻은 일련의 특징 맵을 APN(Attention Proposal Network)을 통과하여 Attention 결과를 얻습니다. 위 그림과 같이 우리의 관심은 새의 머리에 있으므로 새의 머리만 남기고 다른 부분을 잘라낸 다음 쌍선형 풀링을 통해 새의 머리를 확대합니다. 기사 제목 그대로 - 가까이서 볼수록 더 잘 보입니다.
자세한 설명:
그림 A의 경우 특징 추출(콘볼루션 연산) - 완전 연결 - 소프트맥스 이후 아래와 같이 다양한 범주의 확률 P가 얻어집니다. 손실
L(X)1은
다음과 같습니다. 동시에 특징 이후 추출 일련의 특징 맵이 얻어지고
APN(Attention Proposal Module)을 통해 정사각형 Attention 블록이 얻어지며 다음과 같이 기록됩니다.
tx는 Attention 센터의 x 좌표를 나타내고 ty는 Attention Center의 y 좌표를 나타냅니다. tl은 어텐션 블록을 나타내며 측면 길이의 절반입니다. 이것이 원본 이미지에 남겨두어야 할 내용입니다.