CVPRJul, 2019

ACNe: 用于健壮置换等变学习的注意力上下文归一化

PDF
TL;DR本文提出了注意力上下文归一化（ACN）技术，基于排列不变网络实现离群点鲁棒性的全局归一化方法，并利用本地和全局注意力找到高维空间中的关键数据点来解决特定任务，实验证明我们的方法在处理稀疏、无序数据的点云分类、抗噪点云拟合和相机姿态估计等方面性能较现有方法显著提升。
permutation-equivariant networksattentive context normalizationoutlierslocal and global attentionpoint cloud classification
发现论文，激发创造
  • 关注归一化

    本篇论文提出了一种轻量级的模式集成方案，称为 Attentive Normalization (AN)，将特征标准化和注意力机制相结合，实现了对实例的特征重新校准和调整，在 ImageNet 和 MS-COCO 的分类和检测任务中都获得了一致的性能提升。

    Aug, 2019

  • 场景分割的自适应上下文网络

    该研究提出了一种自适应上下文网络（ACNet）来捕捉基于像素需求的上下文，以全局上下文和局部上下文的竞争性融合为基础，进一步提高场景解析性能。

    Nov, 2019

  • 条件图像生成的注意力归一化

    本研究提出了注意力归一化模块 (AN) 用于改进图像的长程关联性以及利用语义对分割特征图进行处理，相比于自注意力 GAN，AN 不需要测量所有位置之间的关联性，因此可以直接应用于大尺寸的特征图，本文通过对比实验证明了 AN 的有效性。

    Apr, 2020

  • 目标检测的关注上下文

    通过开发一种名为 AC-CNN 的新型神经网络模型，将全局和局部上下文信息有效地结合到区域卷积神经网络中，提高了目标检测性能，特别是在 PASCAL VOC 2007 和 VOC 2012 数据集上，与目前主流的 Fast-RCNN 算法相比在 mAP 方面分别提高了 2.0％和 2.2％

    Mar, 2016

  • PCAN: 使用上下文信息学习 3D 注意力图以进行基于点云的检索

    通过 Point Contextual Attention Network (PCAN) 能够在对点上下文加权的情况下，对局部特征进行更加关注，从而有效地编码局部特征并在多个基准测试数据集上提供性能优于当前最先进方法的检索性能。

    Apr, 2019

  • 自适应连接神经网络

    本文介绍了一种新型的自适应连接神经网络 (ACNet)，以两个方面改进了传统的卷积神经网络 (CNN)。首先，ACNet 通过自适应地确定特征节点 (如特征映射的像素) 之间的连接状态，采用了灵活的方式在处理内部特征表示时切换全局和局部推理；其次，ACNet 还能处理非欧几里德数据。在各种基准测试中，包括图像分类、语义分割等，实验分析表明，ACNet 不仅可以实现最先进的性能，还可以克服传统 MLP 和 CNN 的局限性。

    Apr, 2019

  • 本地上下文标准化：再探本地标准化

    本文介绍了一种名为 LCN 的局部上下文归一化方法，它比常见的 GN、IN、LN 等归一化层在目标检测、语义分割和实例分割应用中表现更好，并且使性能独立于批量大小和便于迁移学习。

    Dec, 2019

  • 三维点云语义分割的点注意力网络

    本研究提出了一种点关注网络，它可以在对 3D 点云进行语义分割时学习丰富的本地形状特征和上下文相关性，并代替传统卷积核或参数共享机制来更有效地处理稀疏的 3D 点云。实验表明，该算法能够与现有的最先进方法同等或更好地处理各种 3D 点云。

    Sep, 2019

  • 稳健图像分类的上下文归一化

    本文提出一种称为上下文归一化的新的归一化技术，用于图像数据。这种方法基于每个样本的特征调整特征的缩放，通过使数据值适应目标任务的上下文来提高模型的收敛速度和性能。在各种数据集上展示了上下文归一化的有效性，并将其性能与其他标准归一化技术进行了比较。

    Mar, 2023

  • 基于注意力机制的图卷积神经网络点云学习

    提出了名为 AGCN 的新型网络结构，结合了图卷积网络和注意力机制，可以有效地从无序和非结构化的点云数据中提取特征，经实验证明在分类和分割任务中均达到了当前最先进的性能。

    May, 2019