通过深度强化学习方法,利用软、硬注意力机制的扩展 DQN 算法,以 Atari 游戏为测试模型,表明其性能优于 DQN,并且内置的注意机制使得可以直接监控训练过程。
Dec, 2015
本文提出了一种利用加强学习技术对注意力机制调整的方法来生成更优选择的图像嵌入向量,从而有效提高几类学习和图像分类的性能。
Apr, 2021
本文介绍了一个关注机制的结构化表示学习框架,可以预测图像类别标签和注意力映射,并在没有其他监督的情况下以端到端的方式进行学习,改进了性能,并在标准场景识别和细粒度分类基准测试中取得了最新成果。
May, 2018
本文提出了一种基于语义增强的注意力学习网络方法,该方法利用本地加权方案和语义先验信息提高视觉地点识别(VPR)任务的表现,并在城市级别的 VPR 基准数据集上实现了优越性能。
Aug, 2021
本文提出了一种多焦点注意力网络 (Multi-focus Attention Network, MANet) 模型,通过模仿人类对低级感官输入进行空间抽象并同时关注它们的能力,将其分割成若干个部分状态后,利用并行的注意力层关注与任务有关的部分状态进行状态值估计;实验证明,MANet 在体验采样数显著减少的情况下取得了最高分,并相比 Deep Q-network 和单一注意力模型表现更好,同时在多智能体合作任务中,我们的模型比现有最先进模型的学习速度提高了 20%。
Dec, 2017
该研究论文提出了一种基于视觉注意力的训练深度分类器的互补学习算法,利用正反馈操作生成注意力图来作为正则化项,该机制能够使分类器学习到关注具有外观变化鲁棒性的目标对象的区域,实验证明该注意力跟踪方法在大规模基准数据集上的性能表现优于现有的基于检测的跟踪算法。
Oct, 2018
研究了多视角环境下的深度强化学习问题,并提出基于注意力机制的方法以学习动态关注环境中不同视角的重要性以促进决策制定和复杂策略的学习。在 TORCS 赛车模拟器和三个其他带有障碍物的复杂 3D 环境上验证了该方法的有效性。
May, 2019
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
通过加入可训练的注意力模块,使得卷积神经网络在进行图像分类时能够更好地聚焦于感兴趣的区域,进一步提高了模型的稳健性。
Apr, 2018
本文提出了一种基于深度强化学习和注意力机制的多视角环境下的模型,能够学习一个能够根据每个视角的重要性来动态决策的策略,实验结果表明在各种复杂环境中都表现出色。