ECCVOct, 2018

细粒度视频分类与冗余减少注意力

PDF
TL;DR本文提出了一种名为 Redundancy Reduction Attention（RRA）的新型网络结构，通过抑制多余的特征通道学习集中于多个判别模式，在多个视频分类数据集中取得了优秀的表现。
fine-grained categorizationvideosredundancy reduction attentionfeature channelsvideo classification
发现论文，激发创造
  • 基于多粒度参考引导的注意力特征聚合技术用于基于视频的人员重识别

    提出一种名为 MG-RAFA 的关注特征汇聚模块，用于将空间 - 时间特征精细地聚合成具有判别性的视频级别特征表示，采用全局视图与卷积操作学习关注，并基于不同粒度的关系学习多粒度关注，实现了视频 ReID 任务上的最新成果。

    Mar, 2020

  • VA-RED$^2$: 视频自适应冗余度减少

    本文介绍了一种名为 VA-RED^2 的新型冗余特征减少框架，可用于深度学习模型的视频推断，通过输入依赖的策略来减少时间和通道维度的计算量，实现了 20％-40％的计算（FLOPs）减少而无需牺牲性能。

    Feb, 2021

  • 高效视频识别的自适应对焦

    本文探讨了视频识别中的空间冗余问题，提出了一种基于强化学习的自适应空间视频识别方法（AdaFocus），通过在一个小图像块的空间序列上采用高效的卷积神经网络和循环决策网络来定位和选择最相关的区域，以提高计算效率和精度。

    May, 2021

  • 数据增强的特征重新学习用于视频相关性预测

    本研究提出了利用特征重学习和三元组排序损失优化视频内容表示的方法，同时提高数据增强策略在帧和视频层级上的应用。在 Hulu 基于内容的视频相关性预测 Challenge 2018 中，本方法表现优异，为内容相关性预测领域提供了创新的思路和技术。

    Apr, 2020

  • R2-Trans: 细粒度视觉分类中的冗余减少

    本文提出了一种新颖的 Fine-grained visual categorization (FGVC) 方法，可以同时运用环境线索中局部但足够区分的信息和对目标类别下的冗余信息进行压缩，通过计算批次中高权重区域的比例和自适应阈值，实现了输入空间中背景信息的适度提取。此外，本文还使用信息瓶颈方法指导网络在特征空间中学习最小充分表示。实验结果表明，此方法在三个常用基准数据集上表现优于其他最先进的方法和基线模型。

    Apr, 2022

  • 注意力聚类：基于纯注意力的局部特征融合用于视频分类

    通过研究视频分类的常见数据集，本文提出了一种注意力集群的本地特征融合框架，并引入一种转移操作来捕获更多样化的信号，证明了这种基于注意力的本地特征融合的有效性，该算法在三个真实世界的视频分类数据集上都取得了竞争性的结果，并在 ActivityNet Kinetics Challenge 2017 中荣获胜利。

    Nov, 2017

  • 细粒度分类中的注意力

    本文在 Ba 等人（2014）的循环神经模型的基础上进行实验，研究了在不受约束的视觉环境下细粒度分类的任务，通过使用较强的视觉网络替代传统的 RNN 结构，并在视觉网络的大规模预训练的情况下训练该模型，成功实现比谷歌网络分类模型更好的效果，并表明该模型能够无需边界框等空间监督，自主学习并区分各类狗的品种，具备对端对端的训练等优势。

    Dec, 2014

  • 关系感知全局注意力实现人员再识别

    本研究提出了一种关系感知全局注意力 (RGA) 模块，可以全面抓取全局结构信息以增强特征表示能力，实现了人员复识别 (Re-id) 领域的最新技术成果.

    Apr, 2019

  • 视频问答的冗余感知 Transformer

    这篇论文介绍了当前 VideoQA 中存在的两种冗余问题，并提出了一种新的基于 Transformer 的体系结构来解决这些问题，通过模拟 VideoQA 的冗余特点，该模型在多个 VideoQA 基准上取得了最先进的结果。

    Aug, 2023

  • 一种减少图像分类中空间冗余的动态方法：凝视和聚焦

    为了提高卷积神经网络（CNNs）的分类准确率，但不增加计算与存储成本，我们提出了一种采用强化学习所选择的原始图像中的一系列相对较小的输入进行处理的框架，从而实现了高效的图像分类。实验表明，采用我们提出的方法可以在不牺牲准确性的前提下显著提高多种深度模型的计算效率。

    Oct, 2020