筆者最近在關注fine-grained方面的paper，發現有以下的方面去做：
1 part-based
2 weakly-supervised的，如second-orderless pooling（Compact Bilinear Pooling）等
3 還是weakly-supervised的，但用上了proposals/grids/regions（如selective search）等，在網絡中同時做classification和detection。
該論文Improving Facial Attribute Prediction using Semantic Segmentation, In arXiv， 2017.04.同樣是怎麼利用image-level的labels，如人臉屬性來做人臉屬性分類的。
本博文除了該論文，還會涉及到另外一篇論文Weakly Supervised Deep Detection Networks. In CVPR, 2016.
廢話少說，當然細節的東西還是各自看論文去。
由于這次的重點不是說論文裡面的face parsing。至于怎麼做face parsing的，還是看論文去。上面的圖1的一個前提條件是，已經訓練好face parsing net的了，而且由這個net來提供face的parsing maps。在做face attr分類時，parsing maps直接resize到對應conv feature maps的大小。
圖1的b）和c）挺有意思的，但是從論文上看SSG的作用不大。不管怎樣，SSG和SSP的目的是，利用parsing的結果來refine分類模型學到的feature map，使得模型能夠充分利用spatial information（一般的做法是在最後一層做global pooling，這顯然是spatial orderless的）：即每個feature map隻響應一個對應part region（這裡用parsing來表示）。
筆者比較感興趣的是SSP，是以在這裡就說下Weakly Supervised Deep Detection Networks. In CVPR, 2016.
這裡需要弄清楚的一個概念是，detection branch，其實和classification branch是沒有太大差別，差別在于如何做softmax的：
classification的目的是，判斷該region會是哪個類别，而detection的目的是，判斷某個類别會在哪些region出現，非常make sense。
這個就是網絡的架構圖，具體的細節看論文去。
整體上，這樣做都是為了學到更好的特征，而且是在weakly-supervised的限制下。 至于有沒有效果，就看你怎麼用了。
===== 如果這篇博文對你有幫助，可否賞筆者喝杯奶茶？