深度学习时代的注视点渲染
计算机视觉与模式识别
2023-12-05 v1 人工智能
机器学习
摘要
本文中，我们探讨使用注视点传感器主动关注视觉场景的挑战。我们提出了一种端到端可微的注视点主动视觉架构，利用图卷积网络处理注视点图像，并提出了一种简单而有效的注视点图像采样公式。我们的模型学习迭代地关注与分类相关的图像区域。我们在多种图像数据集上进行了详细实验，将我们的方法与以往的注视点视觉方法进行了性能比较，并测量了不同选择（如注视程度和网络执行的注视次数）对物体识别性能的影响。我们发现，在参数量相当且给定像素或计算预算的情况下，我们的模型优于 SOTA CNN 及注视点视觉架构。
引用
@article{arxiv.2312.01450,
title = {Foveation in the Era of Deep Learning},
author = {George Killick and Paul Henderson and Paul Siebert and Gerardo Aragon-Camarasa},
journal= {arXiv preprint arXiv:2312.01450},
year = {2023}
}
备注
Accepted at BMVC2023