TDAPNet：具有循环自顶向下注意力的原型网络用于部分遮挡下的鲁棒目标分类
计算机视觉与模式识别
2019-11-15 v2 机器学习
摘要
尽管深度卷积神经网络在目标分类中取得了巨大成功，但由于训练与测试数据间的不一致，其在遮挡下泛化性能严重下降。由于遮挡物差异很大，我们的目标是在无遮挡数据上训练、同时可泛化到遮挡条件的模型。本工作中，我们将原型、部分匹配与自顶向下注意力调节整合进深度神经网络，以实现遮挡下的鲁棒目标分类。我们首先引入原型学习，其正则化促使数据簇紧凑，从而在不一致条件下具备更好的泛化能力。随后，基于特征字典与激活尺度估计中间层注意力图以进行部分匹配，在与原型比较特征时筛除无关信息。进一步，受神经科学揭示反馈连接对遮挡下物体识别起重要作用的启发，我们将自顶向下反馈注意力调节引入卷积层，有意在特征提取阶段降低遮挡的污染。我们在部分遮挡的 MNIST 及来自 PASCAL3D+ 数据集的车辆上的实验结果表明，所提网络显著提升了当前深度神经网络在遮挡下的鲁棒性。我们的代码将公开。
引用
@article{arxiv.1909.03879,
title = {TDAPNet: Prototype Network with Recurrent Top-Down Attention for Robust Object Classification under Partial Occlusion},
author = {Mingqing Xiao and Adam Kortylewski and Ruihai Wu and Siyuan Qiao and Wei Shen and Alan Yuille},
journal= {arXiv preprint arXiv:1909.03879},
year = {2019}
}