论文阅读《Webly Supervised Fine-Grained Recognition: Benchmark Datasets and An Approach》

来来直接上干货。以下是代码地址：

https://github.com/NUST-Machine-Intelligence-Laboratory/weblyFG-dataset

4.Proposed Peer-learning Network

网络的基本架构是由如下图所示，我们的网络是由h1和h2组成。它们交流有用的信息来提升整体网络的表现。具体的来说就是：首先我们有一个mini-batch数据G={(xi,yi)},而G被分为：

 和

为了降低Gd对于网络的影响亲欧盟，我们选择一小部分实例作为Gs1和Gs2。

其中，Lhi(xj，yj)是由hi(i∈{1,2})计算的实例xj的训练损失，|Gs|表示Gs中元素的数量。

这个公式表示的是动态控制|Gsi|的下降速率，其中ξ是最大下降速率，Tk是之后d(T)不再更新的周期数。其动机在于，我们试图通过将d(T)设置为一个较小的值，在开始时利用更多的图像进行训练。此后，d(T)逐渐增加，因此我们只选择具有足够高置信度的正确标记实例，并在网络记忆之前删除有噪声的实例

在获得Gd和Gsi(i∈{1,2})后，我们将Gd∪Gs1视为训练h2的“有用知识”，由其对等网络h1提供。同样，采用Gd∪Gs2来训练h1。网络hi的参数θhi(i∈{1,2})通过使用梯度∇Lhi进行更新，学习速率为λ：

另外做了一份ppt，可自取

链接：https://pan.baidu.com/s/1G7LGFekCm5ZqReZm-hWVgg
提取码：zhi8