论文解读TransFG: A Transformer Architecture for Fine-grained Recognition

此篇文章是transformer在细粒度领域的应用。

问题：Transformer还未应用在图像细分类领域中

贡献点：1.vision transformer的输入把图像切分成patch，但是是没有overlap的，文章改成切分patch用overlap（这只能算个trick）

2.Part Selection Module

通俗讲就是最后一层的输入与vision transformer不同，即把最后一层前的所有层(红框所示)的权重累乘，再筛选出权重大的token拼接起来作为第L层的输入。

首先第L-1层的输出原本是这样的：

前面某层的权重如下：

其中下标l的取值范围为（1,2,...,L-1）

假设有K个self-attention head，那么每个head中的权重为：

其中上标i的取值范围为（0,1,...,K）

则对最后一层前面的所有层累乘权重：

然后选择权重最大的A_k个token作为最后一层的输入。

所以经过处理后，其输入可表示为：

从模型架构上看，可以发现红框内带有箭头的token是被选中了的，也是经权重累乘后权值大的token，右侧蓝色框代表选中的token对应的patch。

3.Contrastive loss

作者说细粒度领域不同类别之间的特征很相似，因此单纯用交叉熵损失来学习特征是不够的，在交叉熵损失后加了新的Contrastive loss，这个损失里引入了余弦相似度（用来估计两个向量的相似情况），向量越相似余弦相似度越大。

作者提出此loss function的目的是缩小不同类别“分类token”的相似程度，最大化相同“分类token”的相似程度，通俗说就是不同类的尽量不相似，同类的尽量相似。Contrastive loss其公式如下：

其中a是人为设定的常量。

所以总体函数为：

实验：

在细分类的几个数据集上与CNN和ViT进行比较，为SOTA