基于遗传算法的特征选择和上下文集成的深度学习模型

Apr, 2022

基于遗传算法的特征选择和上下文集成的深度学习模型

Deep Learning Model with GA based Feature Selection and Context Integration

Ranju Mandal, Basim Azam, Brijesh Verma, Mengjie Zhang

TL;DR本研究提出了一种新型的三层深度学习模型，通过引入一对多二元类别学习器，学习遗传算法优化的特征，并同时学习全局和局部上下文信息，从而优化整个模型以在图像分割方面取得有希望的结果。

Abstract

deep learning models have been very successful in computer vision and image processing applications. Since its inception, Many top-performing methods for image segmentation are based on deep CNN models. However,

deep learning image segmentation global and local context one-vs-all binary class-based learners genetic algorithm

发现论文，激发创造

基于上下文的深度学习体系结构与图像解析的最优集成层

通过深度学习与上下文信息相结合的三层模型，进行二分类学习和上下文学习，再通过基于遗传算法的最优融合，产生最终决策。实验结果表明，优化网络权重可以改善性能并使预测更稳定。

Apr, 2022

全局上下文感知逐步聚合网络用于显著性目标检测

该研究提出了一个名为 GCPANet 的新网络，采用一些渐进式的、上下文感知的特征交织聚合 (FIA) 模块有效地整合低层外观特征、高层语义特征和全局上下文特征，并通过监督学习生成显着性图像。此外，还设计了一个头部注意力 (HA) 模块、一个自我细化 (SR) 模块和一个全局上下文流 (GCF) 模块，以进一步提高网络性能。实验结果表明，该方法在六个基准数据集上的表现比现有方法都要好。

Mar, 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

图像搜索中深度局部和全局特征的统一

该文提出了一个名为 DELG 的新模型，将全局和本地特征统一为一个深度模型，同时提出了一种自编码器的降维技术，该模型在图像检索和识别方面的表现都达到了最新的水平。

Jan, 2020

上下文门控卷积

该论文提出了一种基于全局上下文动态调整卷积层权重的上下文门控卷积（CGC）方法，旨在更好地提取本地模式和生成区分特征，经过大量实验，该方法在图像分类、动作识别和机器翻译等任务上均有显著的性能提升。

Oct, 2019

上下文融合增强图像模糊鲁棒性

哺乳动物的大脑通过整合特定感官模式的脑区的信息来处理复杂推理，从而提高鲁棒性和泛化能力。我们开发了一个融合模型，结合了在 Imagenet 和 Places365 上训练的 CNN 的背景和前景特征，测试了它对人可感知变化的抵抗能力，并在 MS COCO 上进行了验证。融合模型提高了鲁棒性，特别适用于具有更大上下文变异性的类别。我们提出的多模态整合解决方案为增强鲁棒性提供了一种新方法，并可能与现有方法相辅相成。

Jun, 2024

卷积神经网络中的全局局部处理

本文提出了一种简单而有效的全局优势流 (Global Advantage Stream, GAS) 模块，以学习和捕捉输入样本的整体特征，并将 GAS 特征与 CNN 网络结合作为插件组件，被称为全局 / 局部处理 (Global/Local Processing, GLP) 模型，结果表明，该流通过提高准确性和使网络更加抗干扰，学习了更综合和贴近健康人知觉系统的表示。

Jun, 2023

基于深度特征的目标检测上下文模型

本文提出了一种综合局部外观特征，对象关系的上下文信息和全局场景上下文特征的集合物体检测系统，该系统采用基于对象建议的完全连接条件随机场（CRF）进行建模，并利用快速平均场近似方法有效地进行 CRF 模型中的推理，实验结果表明，与基线算法 Faster R-CNN 相比，我们的方法在 PASCAL VOC 2007 数据集上实现了更高的平均精度（mAP）.

Apr, 2016

多尺度和多层次对比学习用于领域泛化

通过结合多层和多尺度的特征，利用深度卷积神经网络来提高图像分类器的领域泛化能力，并提出了一种新颖的目标函数，使用对比学习的方法约束提取的特征在分布转移下保持不变，实验证明该方法在多个数据集上均表现出与之前方法相比更好的性能。

Aug, 2023

多级注意力 CNNs 用于领域泛化

本文提出了一种针对领域泛化问题的替代神经网络结构，该结构可以关注卷积神经网络的多个层次，利用可训练的注意机制来实现鲁棒的数据分类，同时在已有的四项领域通用基准测试中表现良好。

Apr, 2023