关注类别解耦全局上下文用于图像分类

本文提出一种利用注意力机制与全局上下文进行图像分类的通用框架，其可结合多种网络架构以提升性能。为探究全局上下文的能力，我们比较了四种数学模型，并观察到在类别解耦条件生成模型中编码的全局上下文能提供更多指导，即“知道何为任务无关亦可知何为相关”。基于此观察，我们定义了一种新颖的类别解耦全局上下文（Category Disentangled Global Context, CDGC）并设计深度网络以获取之。通过关注CDGC，基线网络能更准确地识别感兴趣对象，从而提升性能。我们将该框架应用于多种不同网络架构，并在四个公开数据集上与最先进（SOTA）方法比较。大量结果验证了我们所提方法的有效性与优越性。代码将在论文录用后公开。