Apr, 2019

图像识别的本地关系网络

PDF
TL;DR本文提出了一种新的图像特征提取器 —— 局部关系层，它基于局部像素对的组合关系自适应地确定聚合权重，从而更高效地将视觉元素组合成更高级别实体，提供更好的语义推理，通过局部关系层构建的神经网络（LR-Net）在大规模识别任务中具有比其卷积网络更大的建模能力，如 ImageNet 分类。
convolution layercomputer visionlocal relation layerimage feature extractorsemantic inference
发现论文，激发创造
  • 利用深度网络中的本地特征进行图像检索

    本文研究采用卷积神经网络在图像检索中的应用，通过提取不同层的卷积特征，使用 VLAD 编码转化为一个单一向量，探讨不同层和规模在特征处理中的影响，发现较低的层次和更精细的尺度能够更好地提升图像检索的准确度，同时对比了其他方法，最终取得了业界领先的成果。

    Apr, 2015

  • 关系卷积网络：一种学习层次关系表示的框架

    深度学习中一个日益成熟的研究领域是开发能够学习关系特征的显式表示的架构。本文提出了一个叫做 “关系卷积网络” 的架构框架，重点研究了学习分层关系表示的问题，并通过一系列实验展示了如何利用关系卷积网络提供有效的建模方法来处理具有层次结构的关系任务。

    Oct, 2023

  • 非局部神经网络

    该论文提出了非局部操作作为一种用于捕捉长程依赖性的通用组建块，可以在许多计算机视觉体系结构中使用，并且在视频分类和静态图像识别中表现优异。

    Nov, 2017

  • 深度卷积特征聚合的图像检索

    本文通过对局部卷积神经网络特征进行聚合研究，提出一种基于简单加总池化的高效图像检索方法，取得了显著提升的效果。

    Oct, 2015

  • 通过低秩局部连接重新审视空间不变性

    为了测试假设认为部分放松空间不变性能够提供一个更好的归纳偏置，本文设计了一种方法来以可控的方式放松神经网络层的空间不变性。实验中发现，相比于卷积层和局部连接层，放松空间不变性能够在 MNIST，CIFAR-10 和 CelebA 数据集上改善分类精度，因此暗示空间不变性可能是一种过度限制的先验。

    Feb, 2020

  • 基于图的全局推理网络

    该研究提出了一种名为 GloRe 的全局推理单元，实现了卷积神经网络对于远距离区域之间的全局关系的建模，能够有效提升图像识别、语义分割和视频行为识别等计算机视觉任务的性能。

    Nov, 2018

  • 一种关系增强的全卷积网络用于航空场景的语义分割

    本研究提出了空间关系模块和通道关系模块，可用于学习和推理任何两个空间位置或特征图之间的全局关系，并产生关系增强的特征表示。研究团队在利用两个航空图像数据集进行的语义分割任务中使用这些模块，取得了相当优异的结果，比基准模型有显著提升。

    Apr, 2019

  • LatentGNN：学习高效非局部关系以用于视觉识别

    该研究提出了一种基于图神经网络和潜在空间的方法，以降低图的复杂度从而实现对视觉特征的非局部关联表示，并在三项主要的视觉识别任务上展示了其具有较高的性能和较低的计算成本。

    May, 2019

  • 用于视觉实例搜索的类加权卷积特征

    本文提出了一种基于目标图像预测的语义信息的局部感知编码方法，在图像检索中使用卷积神经网络和类激活图进行无监督重排和目标检测，证明了其在 Oxford5k 和 Paris6k 等公共数据集上的优越性能。

    Jul, 2017

  • 跨光谱图像块匹配的关系表示学习网络

    通过创新的关系表示学习方法，同时关注个体内在特征和图像补丁特征之间的关系，构建了一种轻量级的关系表示学习网络（RRL-Net），包括自动编码器、特征交互学习模块、多维全局到局部注意力机制以及基于注意力的轻量级特征提取网络。经过大量实验验证，该网络在多个公共数据集上取得了最先进的性能。

    Mar, 2024