关键词local and global features
搜索结果 - 9
- 点树变换器用于点云配准
点云配准中的局部和全局特征提取是一个常见问题。本文提出了一种名为 “Point Tree Transformer (PTT)” 的新型基于 Transformer 的方法,通过构建点云的层次特征树和引入一种新的点树注意力机制(PTA)来提取 - 多元时间序列的双注意力网络分类
利用双重关注 (dual attention) 的方法,我们在本研究中探索了一种新型网络 (DA-Net),用于提取多元时间序列分类的局部和全局特征。DA-Net 由 Squeeze-Excitation Window Attention - InterFormer:自动语音识别的交互式局部和全局特征融合
本文提出 InterFormer 方法,使用双向特征交互模块和选择性融合模块实现局部和全局特征的交互和融合,应用于自动语音识别领域,取得比 Transformer 和 Conformer 更好的性能表现。
- 基于点云的三维深度学习 VTPNet
本文提出了一种 Voxel-Transformer-Point(VTP)块,结合了体素法,基于点的 Transformer 法和基于点的方法,分别从粗粒度、局部和全局角度提取点云的特征,并使用其构建 VTPNet 用于 3D 点云学习,在多 - 基于 Transformer 的极端多标签文本分类中局部和全局特征的利用
本研究提出了一种方法来结合 transformer 模型所产生的局部和全局特征,从而提高分类器的预测能力,在大规模分类任务的基准数据集上表现优异。
- 一种用于非刚性形状匹配的双重迭代细化方法
本研究提出了一种基于双重迭代精化(DIR)的解决方案,通过优雅的方法将空间和频谱数据融合起来,从当前迭代中提取更多准确的信息用于下一次迭代,有效地将双重信息结合在一起,从而提供了一种高效而稳健的密集对应解决方案。
- 细粒度表示学习的属性感知注意力模型
本文提出一种新颖的 Attribute-Aware Attention Model(A^3M)模型,可以同时学习局部属性表示和全局类别表示,通过属性 - 类别互惠过程,从而更好地提取图像中的固有信息,以实现更好的图像识别效果。
- IJCAI深度联合学习多损失分类的个体重识别
本文提出了一种使用 CNN 联合学习局部和全局特征的方法,用于重新识别目标,实现了对多任务的优化,通过优化多任务的联合损失函数,达到一种损失函数的平衡,该模型在 VIPeR、GRID、CUHK01、CUHK03 和 Market-1501 - 学习范围,应用于信息提取和分类
本文提出了一种可以同时利用局部和全局特征的分层概率模型,从而提高分类和信息抽取的准确性。通过估计局部数据集中的随机参数,并在推断过程中使用其进行分类,该模型能够自适应地捕捉到新发现的数据中的规律性。实验结果表明,相对于仅使用全局特征的传统模