Jan, 2019

细粒度表示学习的属性感知注意力模型

PDF
TL;DR本文提出一种新颖的 Attribute-Aware Attention Model（A^3M）模型，可以同时学习局部属性表示和全局类别表示，通过属性 - 类别互惠过程，从而更好地提取图像中的固有信息，以实现更好的图像识别效果。
attribute-aware attention modelfine-grained representationlocal and global featuresimage recognition
发现论文，激发创造
  • 描述引导的属性关注定位：用于细粒度识别的定位方法

    该研究通过属性指导下的注意力定位方案设计新的奖励策略，使用强化学习算法定位具有空间和语义区别的局部特征区域，从而在精细识别和属性识别方面超越了传统基于部件的方法。

    May, 2016

  • 细粒度时尚检索的属性引导多级注意力网络

    本研究提出了一种属性引导的多层注意力网络（AG-MLAN），能够在指定属性的引导下更准确地定位属性位置和捕捉区分性特征，并通过对深度时尚、FashionAI 和 Zappos50k 数据集上的实验验证了其在细粒度时尚相似度学习和属性引导检索任务中的有效性。该模型在细粒度时尚相似度检索任务中的表现超过了现有最优方法。

    Dec, 2022

  • Few-Shot 识别的属性引导与纯视觉注意力对齐

    本文提出了一种利用人工注释属性的属性引导注意力模块 (AGAM)，以实现更具有区分性的特征学习，从而改善仅使用视觉信息的查询集的特征选择，达到了不同数据集和设置下的最先进性能。

    Sep, 2020

  • 通过粗到细的注意力机制，基于注意力特征学习，实现人体属性识别中的注意力分析

    本文提出一种新的深度学习方法，即分心感知的人体属性识别（Distraction-aware HAR），通过改进注意力机制来提高属性定位，从而提高深度 CNN 特征学习的准确性，在 WIDER-Attribute 和 RAP 数据库上进行广泛实验，并取得了最先进的结果。

    Nov, 2019

  • AANet：人物再识别中的属性注意力网络

    本文提出了一种新的人物再识别（re-ID）网络架构 Attribute Attention Network（AANet），该架构将人物属性和属性注意力图集成到分类框架中，并通过估计单个属性的类响应并将它们组合形成属性注意力图（AAM），来实现强大的判别性表示。在 DukeMTMC-reID 数据集上，相比使用 ResNet-50 的最佳前沿方法 arXiv:1711.09349v3 [cs.CV]，AANet 在 mAP 和 Rank-1 精度上分别超过 3.36% 和 3.12%；在重排后的 Market1501 数据集上，AANet 在 mAP 和 Rank-1 精度上分别达到 92.38% 和 95.10%，相对于另一种使用 ResNet-152 的最佳前沿方法 arXiv:1804.00216v1 [cs.CV]，精度分别超过 1.42% 和 0.47%。此外，AANet 还可以执行人物属性预测，并在查询图像中定位属性。

    Dec, 2019

  • 属性分组和挖掘哈希在细粒度图像检索中的应用

    通过对注意力机制进行建模以及使用属性分组和挖掘哈希（AGMH）来生成精细图像检索的综合特征表示，该方法在细粒度图像数据集上表现出最佳性能。

    Nov, 2023

  • 面向文本属性的隐式模态对齐的人物搜索

    通过 Attribute-Aware Implicit Modality Alignment (AIMA) 框架，使用 CLIP 模型及 Attribute-IoU Guided Intra-Modal Contrastive (A-IoU IMC) Loss，实现了文本属性人物搜索中文本属性与图像之间的对齐和表示匹配，进一步优化了语义排列。

    Jun, 2024

  • 使用视觉注意聚合的深度不平衡属性分类

    提出一种基于 multi-label 分类、视觉注意力机制、以及解决数据类别不平衡问题的损失函数等的方法，实现了在 PETA 和 WIDER-Attribute 数据集中的人体属性识别，并取得了最先进的效果。

    Jul, 2018

  • 关注激活：用于细粒度图像识别的模块化注意机制

    本文提出利用注意力机制在卷积特征激活层面上进行细粒度图像识别，相对于传统方法，在不需要部分标注的情况下使用低层次特征进行输出概率分配，并在 CIFAR-10、Adience gender recognition task、Stanford Dogs 和 UEC-Food100 等数据集上取得了最先进的分类精度。

    Jul, 2019

  • 多关注多分类约束用于细粒度图像识别

    本文提出了一种基于注意力机制的卷积神经网络方法，使用一握多激励模块学习每个输入图像的多个注意区域特征，并在度量学习框架中应用多注意力多类约束，通过推拉相同 / 不同注意力类别的特征以实现多个目标区域的协调，并引入 Dogs-in-the-Wild 数据集以促进细粒度图像识别研究。

    Jun, 2018