集成卷积块注意力机制的跨领域车辆检测模型
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
提出了一种多级域自适应模型,通过同时对本地级别特征和全局级别特征分布进行对齐,以解决交叉域目标检测中现有方法对局部特征分布不能有效匹配的问题,并在多种实验中验证了其效果。
Jul, 2019
本文提出一种新颖的无监督跨领域检测模型,在源域中利用标注数据训练一个针对不同目标域的物体探测器,通过在两个维度上进行跨领域特征对齐,即深度和空间维度,来缓解物体检测中的跨领域表示差异。实验证明该模型胜过现有的比较方法。
Nov, 2020
本文提出了一种名为带有注意力的脑启发式认知模型 (CMA) 的自动驾驶模型,该模型可以模拟人类视觉皮层和认知空间,结合实时更新的认知地图来实现注意机制和长短期记忆,同时解决了检测自由空间和当前和相邻车道边界、估算障碍物距离和车辆姿态、学习从人类驾驶员处获取驾驶行为和决策的三项任务,并可以接受外部导航指令。
Feb, 2017
本论文提出了一种新的粗 - 细特征自适应方法以解决领域偏移问题,细化层面通过最小化不同领域相同类别的全局原型的距离来实现前景的条件分布对齐。通过广泛实验,结果表明该方法的广泛适用性和有效性达到了现有最优水平。
Mar, 2020
本文提出了一种名为 CCA 的注意力模块,旨在通过最大化不同注意区域之间的信息增益来克服以前的限制,并提出了一种新的深层网络,利用不同的注意力机制学习人物图像的强鲁棒性和判别表现,得到的模型被称为 CCAN,大量实验证明 CCAN 在人物重新识别任务上优于当前状态下的最先进算法。
Jun, 2020
提出了一种新颖的跨模态注意机制(CAM)来增强互补信息,并提出了基于两阶段训练策略的融合方案,实验结果表明我们提出的融合方法在融合网络中获得了 SOTA 级别的性能。
Jun, 2024
本文提出了一种因果关系注意力模块,通过自我注释来识别难以预测的混淆变量,从而使深度学习模型更好地处理在分布不同的情况下仍具备鲁棒性的因果特征,不仅解决了监督注释需要高昂成本、混淆变量难以抽象提取等问题,并在相应实验中得到了卓越的结果。
Aug, 2021