NOAH:学习图像分类的成对对象类别注意力
提出了一种基于上下文感知的注意力池化(CAP)方法和特征编码技术,可以有效地捕获子像素梯度,无需边界框和 / 或可区分的部分注释,从而学习关键部位的特征表示。经过在六个最先进的骨干网络和八个基准数据集上的评估,该方法在六个数据集上表现显著优于最先进的方法,并且在其余两个数据集上非常有竞争力。
Jan, 2021
本文提出了一种名为 AttentionNet 的基于深度卷积神经网络的新型检测方法,将目标检测问题视为迭代分类问题,通过提供定量化的目标物体弱方向并融合来自 AttentionNet 的迭代预测结果,从而实现更精确的物体边界检测。AttentionNet 是一种统一的目标检测网络,从物体提议到后续的 bounding-box 回归均可进行检测,并在人类检测任务中取得了 65%(AP)的最先进效果,仅采用 8 层结构。
Jun, 2015
使用金字塔注意力网络 (PAN) 进行语义分割,通过特征金字塔注意力模块和全局注意力上采样模块提取精确的密集特征,优于现有方法,可达到 PASCAL VOC 2012 和 Cityscapes 数据集的最高精度 mIoU 84.0%。
May, 2018
通过使用新颖的自注意力模块,将全局特征反映到局部特征和局部接受域,以及优化解耦头和 AB-OTA,我们提出的模型在大中小型模型上能够实现 49.0%(71FPS,14ms),46.1%(85FPS,11.7ms)和 39.1%(107FPS,9.3ms)的平均精度,超过了 YOLOv5 0.8%-3.1% 的平均精度。
Jun, 2022
本文提出了一种新型的动态头框架,通过将特征级别之间的多个自注意力机制、空间位置之间的多个自注意力机制以及任务感知中的输出信道之间的多个自注意力机制相互结合,实现了在物体检测中头部统一化的目标,大幅改善了物体检测头部的表示能力,并且在 COCO 基准测试中取得了新的最优性能。
Jun, 2021
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
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
本文提出了一种使用深度神经网络应用视觉注意力于细粒度分类任务的新管道,通过整合三种类型的注意力,训练领域特定的深度网络,在弱监督约束下避免使用昂贵的注释,并在 ILSVRC2012 数据集和 CUB200_2011 数据集的子集上验证了该方法的有效性,取得了与其他方法相竞争的表现。
Nov, 2014
该论文提出了 Attention Pyramid Convolutional Neural Network (AP-CNN) 模型,通过集成低级信息以及 ROI 引导精细调整等策略来提高对物体细分类别的识别准确率。在三个 Fine-grained visual classification 数据集上实验结果表明,该模型能够实现最先进的性能。
Feb, 2020
该研究提出了一种新的注意力模型,可以通过多层卷积神经网络的渐进式注意力过程精确地关注各种规模和形状的图像目标。实验证明,与传统的注意力方法相比,在视觉属性预测任务中,所提出的注意力网络效果更好。
Jun, 2016