用于细粒度表示学习的属性感知注意力模型
计算机视觉与模式识别
2019-12-23 v2
摘要
如何学习具有判别性的细粒度表示是许多计算机视觉应用的关键，如行人重识别、细粒度分类、细粒度图像检索等。以往的大多数方法专注于学习度量或集成以推导更好的全局表示，通常缺乏局部信息。基于上述考虑，我们提出了一种新颖的属性感知注意力模型（），该模型能够以端到端的方式同时学习局部属性表示和全局类别表示。所提出的模型包含两个注意力模型：属性引导注意力模块利用属性信息帮助选择不同区域的类别特征，同时类别引导注意力模块借助类别线索选择不同属性的局部特征。通过这种属性与类别互惠的过程，局部和全局特征相互增益。最终，所得特征包含了更多用于图像识别的内在信息，而非噪声和无关特征。在 Market-1501、CompCars、CUB-200-2011 和 CARS196 上进行的大量实验证明了 的有效性。代码可在 https://github.com/iamhankai/attribute-aware-attention 获取。
引用
@article{arxiv.1901.00392,
title = {Attribute-Aware Attention Model for Fine-grained Representation Learning},
author = {Kai Han and Jianyuan Guo and Chao Zhang and Mingjian Zhu},
journal= {arXiv preprint arXiv:1901.00392},
year = {2019}
}
备注
Accepted by ACM Multimedia 2018 (Oral). Code is available at https://github.com/iamhankai/attribute-aware-attention