注意力分支网络：面向视觉解释的注意力机制学习
计算机视觉与模式识别
2019-04-11 v2
摘要
视觉解释使人类能够理解深度卷积神经网络 (CNN) 的决策过程，但其尚不足以促进性能提升。本文关注用于视觉解释的注意力图，其以高响应值表示图像识别中的重要区域。该区域通过引入聚焦于图像中特定区域的注意力机制显著提升了 CNN 的性能。本工作中，我们提出注意力分支网络 (ABN)，其通过引入带注意力机制的分支结构扩展了自顶向下视觉解释模型。ABN 可通过引入用于注意力机制的分支而适用于若干图像识别任务，并能够以端到端方式对视觉解释与图像识别进行训练。我们在图像分类、细粒度识别和多面部属性识别等若干图像识别任务上评估了 ABN。实验结果表明，ABN 在生成用于视觉解释的注意力图的同时，在这些图像识别任务上的准确率优于基线模型。我们的代码可在 https://github.com/machine-perception-robotics-group/attention_branch_network 获取。
引用
@article{arxiv.1812.10025,
title = {Attention Branch Network: Learning of Attention Mechanism for Visual Explanation},
author = {Hiroshi Fukui and Tsubasa Hirakawa and Takayoshi Yamashita and Hironobu Fujiyoshi},
journal= {arXiv preprint arXiv:1812.10025},
year = {2019}
}
备注
Accepted to CVPR2019 10 pages, 7 figures