你所需的一切注意力：用于图像检索的全局-局部、空间-通道注意力
计算机视觉与模式识别
2021-07-19 v1
摘要
我们解决大规模实例级图像检索的表示学习问题。除骨干网络、训练流水线和损失函数外，流行的方法聚焦于不同的空间池化与注意力机制，它们是学习强大全局图像表示的核心。根据特征张量元素（局部与全局）的交互以及施加的维度（空间与通道），注意力有不同形式。遗憾的是，每项研究仅解决一种或两种注意力形式，并将其应用于分类、检测或检索等不同问题。我们提出全局-局部注意力模块（GLAM），它附着于骨干网络末端，并融合了全部四种注意力形式：局部与全局、空间与通道。我们得到新的特征张量，并通过空间池化学习用于图像检索的强大嵌入。聚焦于全局描述子，我们提供了所有注意力形式交互的实证证据，并在标准基准上改进了当前最优（SOTA）水平。
引用
@article{arxiv.2107.08000,
title = {All the attention you need: Global-local, spatial-channel attention for image retrieval},
author = {Chull Hwan Song and Hye Joo Han and Yannis Avrithis},
journal= {arXiv preprint arXiv:2107.08000},
year = {2021}
}