面向质量感知视觉识别的深度强化注意力学习
计算机视觉与模式识别
2022-08-31 v2
摘要
本文基于任意卷积神经网络中中间注意力图的弱监督生成机制，更直观地揭示了注意力模块的有效性，以充分挖掘其潜力。给定一个配备任意注意力模块的已有神经网络，我们引入一个元批评网络来评估主网络中注意力图的质量。由于我们设计的奖励具有离散性，所提出的学习方法被置于强化学习框架下，其中注意力执行者与循环批评者交替优化，为临时注意力表示提供即时评判与修正，故称为深度强化注意力学习（DREAL）。该方法可普遍应用于具有不同类型注意力模块的网络架构，并通过最大化各独立注意力模块所带来的最终识别性能的相对增益来提升其表达能力，这在类别与实例识别基准的大量实验中得到了证明。
引用
@article{arxiv.2007.06156,
title = {Deep Reinforced Attention Learning for Quality-Aware Visual Recognition},
author = {Duo Li and Qifeng Chen},
journal= {arXiv preprint arXiv:2007.06156},
year = {2022}
}
备注
A related work (DIANet in AAAI-20) should be discussed and cited