Attention最新进展

本文主要总结了最新的关于attention的应用文章。

Attention-based Dropout Layer for Weakly Supervised Object Localization（CVPR19）

任务：弱监督的物体定位：只给定图像类别的标签，要求定位出目标所在的区域。

动机：只给定物体类别的话，网络往往只关注最具有判别性的信息，无法挖掘到整个物体信息。能否设计一种drop操作，每次迭代时drop最具判别性的信息，强迫网络关注其他的区域？

做法：代替之前采用CAM得到特征的热力图，模型使用（channel-wise pooling）直接生成热力图。采用一个设定的阈值，得到一个drop mask。

Visual Attention Consistency under Image Transforms for Multi-Label Image Classification （CVPR19）

任务：多标签图像分类问题

动机：数据增广被广泛用于图像分类任务，但是数据增广存在缺陷。图像的一些变换（如旋转）应该是比较渐层能学习到的，但是在一般使用数据增广的策略中，都只是使用最后loss来对这种变换进行学习。能否对数据增广学到的特征图进行约束。

方法：采用两分支结构。输入原始图像I和转换后的图像T(I)，利用CAM得到两个特征图的热力图，约束I的热力图经过T的转换后与T(I)的热力图相同。即图像数据增广后仍然关注同样部件的区域。

AttPool: Towards Hierarchical Feature Representation in Graph Convolutional Networks via Attention Mechanism （ICCV19）

任务：定义了一个graph pooling操作。

方法：对于一个有N个节点的图（N,D）,首先预测每个节点的得分（N），然后选择前K个节点（K,D），对这K个节点利用全部的N个节点进行更新（GCN）。

问题：和之前的文章Self-Attention Graph Pooling思想和做法很像，加了一步更新操作。

Group-wise Deep Object Co-Segmentation with Co-Attention Recurrent Neural Network （ICCV19）

任务：图像组间的共有物体的定位。

做法：设计了类似GRU的单元，设定了更新门和重置门，不断的更新隐单元g，使其融入了所有图像的信息，然后返回来指导每个图像的预测生成。

End-to-End Multi-Task Learning with Attention

任务：多任务学习

动机：对于多任务学习，应该有任务共享的特征和任务特定的特征。对于任务共享的特征可以通过在所有任务上学习得到。那么如何得到任务特定的特征呢？

方法：对于每个任务学习一个attention，作为特征选择器，选择与该任务相关的特征。

See More, Know More: Unsupervised Video Object Segmentation with Co-Attention Siamese Networks （CVPR19）

任务：无监督的视频物体分割

做法：提出了一个co-attention模块，将相邻帧对齐，并将F1（F2）帧的信息整合到F2（F1）上。

问题：用在视频reID上，相邻帧进行对齐后，再进行特征整合。

Improving Referring Expression Grounding with Cross-modal Attention-guided Erasing （CVPR19）

任务：跨模态的检索。给定一个语句描述，检索出图像的那个框是与之对应的。

动机：图像与语句之中可能存在多个对应关系，但是现有方法往往会过多的关注最具有判别性的对应关系。能否有一种机制，迫使网络可以关注更多的对应关系。

做法：擦除最具有判别性的语句或者图像区域。

Cross-Modal Self-Attention Network for Referring Image Segmentation

任务：跨模态分割，给定一个语句描述，分割出图像对应的物体区域。

做法：设计了一个扩模态的self attention机制，即对于query，key, value融入了图像特征和语句特征。

Mask-Guided Attention Network for Occluded Pedestrian Detection （ICCV19）

任务：遮挡的行人检测

做法：遮挡会对行人检测的性能产生较大的影响。对于特征，生成一个空间mask，mask掉遮挡区域的特征。利用可见的bounding box监督mask的生成。

Looking for the Devil in the Details: Learning Trilinear Attention Sampling Network for Fine-grained Image Recognition （CVPR）

动机：如何自适应地并且无监督的定位出物体各个部件的区域。每个channel可以响应一个特定的物体，但是单个channel的噪声大。能否整合channel使其可以定位出目标物体

做法：利用self-attention的思想，加强每个channel的特征。X为（C,N） .此时每个channel可以看做一个空间注意力图，对应一个指定的部件。

发布于 2020-04-14

Attention最新进展相关推荐

一文详述Attention最新进展
关注上方"深度学习技术前沿",选择"星标公众号", 资源干货,第一时间送达! 作者:sisiyou 知乎链接:https://zhuanlan.zhihu.co ...
2019最新进展 | Transformer在深度推荐系统中的应用
作者 | Alex-zhai 来源 | 深度传送门(ID:deep_deliver) [导读]最近基于Transformer的一些NLP模型很火(比如BERT,GPT-2等),因此将Transform ...
深度CTR预估模型的演化之路2019最新进展
作者 | 锅逗逗来源 | 深度传送门(ID: deep_deliver) 导读:本文主要介绍深度CTR经典预估模型的演化之路以及在2019工业界的最新进展. 介绍在计算广告和推荐系统中,点击率(C ...
transformer预测过程_2019最新进展 | Transformer在深度推荐系统中的应用
作者 | Alex-zhai 来源 | 深度传送门(ID:deep_deliver) [导读]最近基于Transformer的一些NLP模型很火(比如BERT,GPT-2等),因此将Transform ...
《预训练周刊》第28期：M6-10T：高效多万亿参数预训练的共享去链接范式、大模型自然语言处理的最新进展综述...
No.28 智源社区预训练组预训练研究观点资源活动关于周刊本期周刊,我们选择了11篇预训练相关的论文,涉及模型训练.图像编码.气候文本.对比学习.文本生成评估.小样本学习.决策推理 ...
AAAI 2021最佳论文《Informer》作者：Transformer 最新进展
作者:周号益,彭杰奇单位:北京航空航天大学自2017年,Ashish Vaswani等人在<Attention Is All You Need>这篇文章种提出了Transformer模 ...
AAAI 2021 | 情感分析最新进展解读
图片来源:网络作者:陆鑫,赵妍妍,秦兵单位:哈尔滨工业大学情感分析是自然语言处理中的一个重要研究领域,其相关应用在各种真实场景中发挥着重要作用. 近年来,基于深度学习的方法逐渐成为情感分析的主流 ...
AAAI2021 | 图神经网络最新进展解读
作者:纪厚业,北京邮电大学,智源 AAAI预讲会讲者近年来,图神经网络(GNN,Graph Neural Network)逐渐成为人工智能领域的一大热门领域.GNN的一大优势是能够使各个领域(不仅仅 ...
Transformer在深度推荐系统中的应用及2019最新进展
作者:Alex-zhai 来源:https://zhuanlan.zhihu.com/ p/85825460 整理:深度传送门最近基于Transformer的一些NLP模型很火(比如BERT,GPT ...

Attention最新进展

Attention最新进展相关推荐

最新文章

热门文章