关注池化网络
提出了一种新颖高效的图级方法,通过图池化中的共同注意力来提取交互表示,该方法在使用真实世界数据集的分类和回归任务中相对于现有方法表现竞争力,同时保持较低的计算复杂度。
Jul, 2023
提出了一种基于上下文感知的注意力池化(CAP)方法和特征编码技术,可以有效地捕获子像素梯度,无需边界框和 / 或可区分的部分注释,从而学习关键部位的特征表示。经过在六个最先进的骨干网络和八个基准数据集上的评估,该方法在六个数据集上表现显著优于最先进的方法,并且在其余两个数据集上非常有竞争力。
Jan, 2021
通过设计新颖的属性感知池化算法,本论文将深度卷积神经网络 (CNN) 的强大功能扩展到行人属性识别问题,充分利用不同属性之间的相关性解决多属性分类的挑战,并在基准数据集上进行了实验验证。
Jul, 2019
介绍了一种简单却强大的注意力模型,能够在动作识别和人体对象交互任务中使用。该模型可带或不带额外的监控进行训练,并在不增加网络大小和计算成本的情况下显著提高准确性。它在三个标准动作识别基准测试和 MPII 数据集上取得了显著的改进,并建立了新的最先进技术。在此基础上,我们通过实证和分析对注意力模块进行了详尽的分析,提出了一种新的精细识别问题解决方案。
Nov, 2017
该研究提出了 ContextPool,一种自适应的注意力机制,用于增强在 transformer 模型中的自注意力机制,实现了更强的性能表现(在语言和图像基准测试中),达到了最新的研究结论,并适用于卷积神经网络进行高效的特征学习。
Jul, 2022
本文介绍了如何通过应用注意机制和广义平均池化将卷积神经网络提取的图像描述符聚合为全局描述符,提高检索结果,并在 ROxford5k 和 RParis6k 这两个检索基准上获得了显着的性能提升。
Nov, 2018
本文提出了 Tandem 自注意编码和池化(SAEP)机制来获取短语音说话人的辨别性 embedding,该方法利用了自注意力和位置编码,证明了该方法的有效性是比 ResNet-34,ResNet-50 和 x-vector 更高效的。
Aug, 2020
本文提出了一种有意识地考虑图形拓扑结构的拓扑感知池化层(TAP)方法,通过局部选票和全局选票两个阶段的投票过程来选择更重要的节点,在保证采样图的更好图连接性的条件下,合并本地和全局投票分数,从而提高图分类任务的效果。
Oct, 2020
本文提出了一种基于对比线索和对图片对之间交互的注意力方法的细粒度图像分类方法 (API-Net),使用互补特征向量来捕捉输入对中的语义差异,并通过逐步交互以注重对比线索,同时采用得分排名规则进行端到端培训,实验结果表明超越了先前最先进的方法。
Feb, 2020
提出了一种基于注意力机制的卷积神经网络 (ABCNN),可用于模拟一对句子,将句子表示法相互考虑,从而获得 AS、PI 和 TE 任务上的最佳表现。
Dec, 2015