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
本研究提出了一种新的参数 - free 的空间注意力层来建模高层特征之间的空间关系,该层相比于没有该层的模型有显著的性能改进,并在四个基准测试中实现了最先进的结果,其中 Market-1501 的 rank-1 准确度为 94.7%,DukeMTMC-ReID 的 rank-1 准确度为 89.0%,CUHK03-labeled 和 CUHK03-detected 的 rank-1 准确度分别为 74.9%和 69.7%。
Nov, 2018
该论文提出了一种基于注意力机制与二阶特征统计量的新型算法,可以直接建模长距离的特征图关系,同时将该算法与广义的 DropBlock 模块相结合,能够在主流的行人再识别数据集中表现优异。
Aug, 2019
该论文提出了一种新颖的基于关系感知图注意力网络的框架,旨在捕捉实体和关系之间的交互,并通过全局对齐算法生成一个细粒度相似性矩阵,以实现多个知识图之间的实体对齐任务,实验结果表明,该框架的性能超过了现有的最先进方法。
Mar, 2021
本研究提出了一种新颖的注意力驱动多分支网络,可以同时从全身和局部图像中学习鲁棒且有辨别力的人体表征,以优化人员重新识别的效果。
Oct, 2018
本研究提出了一种新的人物再识别关系网络,考虑了个体身体部位之间以及部位与其他部位之间的相互关系,有效提高了特征辨别能力,同时使用全局对比池化方法获取人物图像的全局特征,该方法已在多个数据集上实证表明其优越性。
Nov, 2019
本文介绍了一种新颖的全局 - 局部注意机制用于关系分类,通过将全局注意力与局部关注度相结合来提升全局关注度。此外,我们提出了创新的硬与软定位机制,以识别局部注意的潜在关键字。通过同时融入硬和软定位策略,我们的方法对有效关系分类的语境线索提供了更加细致全面的理解。我们在 SemEval-2010 任务 8 数据集上的实验结果显示了我们的方法相对于前期关注机制的优越性能。
Jul, 2024
本文介绍了一种计算效率高且模块化的框架 ——Latent Graph Attention(LGA),该框架能够将全局背景信息融入现有架构中,特别是能够使小型架构的性能接近大型架构,从而使轻量级架构在计算能力和能源需求较低的边缘设备中更加有效。在透明物体分割、去雾图像恢复和光流估计三个应用中,LGA 模块的引入改善了性能。
Jul, 2023
本研究提出了一种基于关系感知图形注意力网络(ReGAT)的 VQA 模型,该模型通过图形注意机制将每个图像编码为图形,再通过多类型的物体关系建模,以学习问题自适应的关系表示,并在 VQA 2.0 和 VQA-CP v2 数据集上优于现有的 VQA 方法,同时具有通用的关系编码器功能。
Mar, 2019
本研究通过在卷积神经网络中联合学习软像素注意力和硬区域注意力以及特征表示,优化了未对齐人物图像中的人物重识别,相对于现有的一些方法具有明显的优越性。
Feb, 2018