面向弱监督目标定位的细粒度注意力
计算机视觉与模式识别
2021-04-13 v1 人工智能
摘要
尽管深度学习的近期进展推动了弱监督目标定位(WSOL)任务的改进,但在识别物体整体而非仅判别性局部区域方面仍存在挑战。本文提出一种新颖的残差细粒度注意力(RFGA)模块,其通过利用特征图内通道与位置分布的信息并结合残差操作,自主激发物体中激活较弱的区域。具体而言,我们设计了一系列三视图注意力表示、注意力扩展与特征校准机制。不同于其他基于注意力的WSOL方法学习在特征图元素间取值相同的粗粒度注意力图,我们所提RFGA通过为每个元素分配不同注意力值来学习细粒度注意力图。我们在三个数据集上与文献中近期方法比较,验证了所提RFGA模块的优越性。此外,我们分析了RFGA中各机制的作用并可视化注意力图以获得洞察。
引用
@article{arxiv.2104.04952,
title = {Fine-Grained Attention for Weakly Supervised Object Localization},
author = {Junghyo Sohn and Eunjin Jeon and Wonsik Jung and Eunsong Kang and Heung-Il Suk},
journal= {arXiv preprint arXiv:2104.04952},
year = {2021}
}
备注
16 pages, 11 figures