基于物理启发的 SAR 目标识别的混合关注

Sep, 2023

基于物理启发的 SAR 目标识别的混合关注

Physics Inspired Hybrid Attention for SAR Target Recognition

Zhongling Huang, Chong Wu, Xiwen Yao, Zhicheng Zhao, Xiankai Huang...

TL;DR研究在 SAR 目标识别中引入物理模型和深度神经网络的融合，通过引入属性散射中心参数等数据进行性能改进和物理可解释性提高；然而，当前评估方案不足以评估模型的稳健性和泛化能力。因此，本文提出了基于物理的混合注意力机制和一劳永逸的评估协议来解决这些问题，并在多个测试集上对模型进行了严格评估，实验表明我们的方法在 12 个具有相同属性散射中心参数的测试场景中表现优于其他最先进的方法。

Abstract

There has been a recent emphasis on integrating physical models and deep neural networks (DNNs) for sar target recognition, to improve performance and achieve a higher level of physical interpretability. The attr

sar target recognition attributed scattering center parameters physics inspired hybrid attention once-for-all evaluation protocol physical models

发现论文，激发创造

用于行人再识别的混合高阶关注网络

提出了高阶注意力模块和混合高阶注意力网络，用于提高人物再识别的歧视性和注意力知识的丰富性。在三个大型数据库上实验验证了该方法的优越性。

Aug, 2019

语音识别中的相似性和基于内容的音素自注意力机制

通过提出改进的语音注意力模型，即基于相似性和基于内容两种不同类型语音自注意力模型，本研究通过简单修改增强了模型对语音特征的提取能力，从而在低层替换自我注意力结构后，提高了语音识别性能而不增加延迟和参数大小。

Mar, 2022

双重关注抑制攻击：在物理世界中生成对抗伪装

本文提出了双重关注抑制攻击 (Dual Attention Suppression，DAS) 来对抗深度学习模型中的物理对抗性样本，该方法具有模型无关性和人类特定模式，在数字和实体世界中均进行了广泛实验，表明该方法优于当前最先进的对抗性攻击方法。

Mar, 2021

单幅图像超分辨率高相似度通道关注机制

本文提出了高相似度通道的注意力软阈值操作，以减少长距离依赖的冗余非本地特征，有效提高了单图超分辨率的难度，并进一步将该操作集成到现有的深度学习模型中。实验表明，本文方法相对于现有技术有更好的定量和定性结果。

May, 2023

无偏置定向对象关注图用于对象导航

本研究提出了一种有向对象注意力图来指导智能体在显式学习对象之间的注意力关系，从而减少对象注意力偏差，并利用该方法在 AI2-Thor 数据集上进行评估，相较于最先进的方法，本方法成功率、路径长度加权成功率和行动效率加权成功率分别增加了 7.4％，8.1％和 17.6％。

Apr, 2022

一种概率硬注意模型，用于顺序观察场景

本文阐述了一种利用 Bayesian Optimal Experiment Design 来选择信息区域的视觉 Hard Attention Model。通过合成未观察到的区域的特征来预测信息增益（EIG），并在 EIG 最大的位置上实际观察内容。这种模型使用递归特征聚合器维护递归状态，使用线性分类器来预测类别标签，并使用部分变分自编码器来预测未观察到区域的特征。我们使用可微分的目标函数对模型进行训练，并在五个数据集上进行测试。与基线模型相比，当两者只看到几个方向时，我们的模型获得了 2-10％更高的准确度。

Nov, 2021

DAS：一种用于捕获 CNN 中显著信息的变形注意力方法

DAS 是一种快速且简单的全卷积方法，通过使用可变形卷积进行图片中相关区域的定位和可分离卷积实现高效，结合了现有 CNN 并通过门控机制传播相关信息，展示了在图像分类和目标检测领域，DAS 相较于其他 CNN 注意机制在减少 FLOPs 的同时取得了更好的性能提升（如在狗类数据集 Stanford Dogs 中提升了 4.47%，ImageNet 中提升了 1.91%，COCO AP 中提升了 3.3%）

Nov, 2023

通过粗到细的注意力机制，基于注意力特征学习，实现人体属性识别中的注意力分析

本文提出一种新的深度学习方法，即分心感知的人体属性识别（Distraction-aware HAR），通过改进注意力机制来提高属性定位，从而提高深度 CNN 特征学习的准确性，在 WIDER-Attribute 和 RAP 数据库上进行广泛实验，并取得了最先进的结果。

Nov, 2019

特征聚合的互信息折衷方法在人脸识别中的应用

本文提出一种利用两种最新的深度人脸识别模型 ArcFace 和 AdaFace 的输出进行聚合的技术，通过利用 Transformer 注意机制来改善人脸识别系统的总体区分能力，并通过引入信息瓶颈原理来确保聚合特征保留最相关和区分能力最强的信息。在流行的基准测试中，我们的方法在人脸识别性能上展现出了一致的改进，证明了其有效性。

Sep, 2023

FY-4A 卫星图像上的分布感知交互注意力网络和大规模云识别基准

准确的云识别和警报对于各种应用非常重要，本文设计了一种分布感知的互动注意网络（DIAnet），该网络通过高分辨率分支和并行的多分辨率交叉分支来保留像素级细节，并通过分布感知损失（DAL）来减轻云类别之间的不平衡，在 FY-4A-Himawari-8（FYH）数据集上的实证评估表明，该方法在云识别网络中表现优异，达到了更好的 mIoU 性能。

Jan, 2024