通过将局部特征的二阶统计合并为高维双线性特征,使用低秩双线性分类器对协方差特征进行表示,同时提出分类器共分解方法进一步压缩模型,实现细粒度分类任务中公共因子和分类特定项的紧凑表示,可以在保持和超越已有方法精度的情况下获得数量级更小的模型。
Nov, 2016
本文提出了一种新颖的模型,使用交叉层双线性池化和分层双线性池化框架来帮助解决细粒度视觉识别的问题,同时在细粒度识别数据集上达到了最先进水平。
Jul, 2018
该研究提出了一种低秩双线性池化的方法以提高多模式学习的效率,并在可视化问答任务中取得了优异的结果,具有更好的经济性特性。
Oct, 2016
该文章提出了一种用于视觉任务的 MoNet 结构,它使用了二阶池化的双线性池化方法并通过子矩阵平方根层来解决维度问题,结合矩阵规范化和其他阶信息,实验结果表明,MoNet 在三个公开的图像分类数据集上表现良好,可实现与具有比其 96% 更少维度的编码特征相当的性能。
Feb, 2018
该论文提出了一种称为 Bilinear 卷积神经网络(B-CNNs)的神经网络模型,通过使用两个卷积神经网络所提取的特征的外积计算来表示图像,并以平移不变的方式捕捉局部特征交互,并在多项图像分类数据集上展示了其在识别精度和速度等方面的优越性。
Apr, 2015
本文提出了一种深度双线性变换(DBT)块,可以在卷积神经网络中深度堆叠,以学习细粒度图像表示,其利用双线性变换在每个语义组内计算成对交互的方式,显著减轻了计算成本,能够在 CUB-Bird、Stanford-Car 和 FGVC-Aircraft 等多个细粒度图像识别基准测试中取得新的最佳表现。
Nov, 2019
提出了一种泛化的 alpha-pooling 方法,可以在训练中学习汇编策略,同时引入一种有效的决策可视化方法来分析语义组成对决策的影响,实验证明这个方法可以在各种标准数据集上优于传统的的平均池化和双线性池化方法。
May, 2017
本文提出了一种因子化双线性汇聚模型,与现有模型相比具有更好的融合实体和关系的效率,并且可以控制模型复杂度,取得了实际数据集上的最先进的表现。
Aug, 2020
介绍一种基于统计分析和高斯分布网络激活的方法,用于实现更紧凑的第二阶池化网络表示,以优于压缩或未压缩第一阶和第二阶模型,在多个基准识别数据集中进行了实验验证。
Jan, 2018
本文探讨了在多模态翻译中使用复合双线性池化方法的效果,通过将两种注意力特征进行外积组合,相比于基本的组合方法,其对于图像字幕翻译的表现有所提升。
Mar, 2017