基于连接性的上下文感知识别网络

本文旨在三方面推进工作：我们对人类视觉系统进行了广泛的文献综述；我们提出一种新颖的生物学启发型神经网络用于图像分类；最后，我们呈现了一个新颖的即插即用模块，用于建模上下文感知。我们聚焦于将生物大脑中所发现的电路构象纳入视觉识别中以应对此挑战。我们的卷积架构灵感来自人类皮层和皮层流的连接性，我们实现了模仿视觉和认知区域之间广泛的afferent 和 efferent 连接的自上而下和自下而上调制。我们的 Contextual Attention Block 简单有效，可与任何前馈神经网络集成。它推断出乘以特征图的权重，这些权重根据其对场景的因果影响进行加权，从而建模不同对象在图像中的共现。我们在不同瓶颈处放置该模块，以注入层次化的上下文感知。我们通过在基准数据上的图像分类实验验证了我们的方案，发现性能和通过类激活提供的解释鲁棒性均得到一致性提升。我们的代码已在 https://github.com/gianlucarloni/CoCoReco 上提供。