使用區(qū)域注意力網(wǎng)絡改進R-MAC方法是什么

這篇文章給大家介紹使用區(qū)域注意力網(wǎng)絡改進R-MAC方法是什么，內(nèi)容非常詳細，感興趣的小伙伴們可以參考借鑒，希望對大家能有所幫助。

使用卷積神經(jīng)網(wǎng)絡（CNN）進行有效圖像檢索的許多方法近年來都集中于特征聚合而不是特征嵌入，因為已經(jīng)發(fā)現(xiàn)卷積特征具有合理的鑒別力。盡管如此，我們發(fā)現(xiàn)用于圖像檢索的眾所周知的基于區(qū)域的特征聚合方法R-MAC仍然受到背景雜亂和區(qū)域重要性不同的影響。在這項工作中，我們通過一個簡單有效的情境感知區(qū)域注意力網(wǎng)絡（context-aware regional attention network ）來解決這些問題，該網(wǎng)絡根據(jù)全局注意力來衡量一個區(qū)域的注意力得分。我們在廣泛應用的的圖像檢索數(shù)據(jù)集上進行了各種實驗，證明我們的方法不僅顯著改善了R-MAC基線方法，而且還在“pre-trained single-pass”類別方法中達到了新的state-of-the-art高度。此外，我們也證明了當與查詢擴展（query expansion）方法結(jié)合使用時，我們的方法顯示出比先前方法更高的準確度改進。這些結(jié)果歸功于我們與R-MAC集成的新型區(qū)域關(guān)注網(wǎng)絡。

上圖顯示了Oxford5k中背景和雜亂的兩個具有挑戰(zhàn)性的例子。 在每個示例中，左邊是查詢，而右邊是其對應的正例圖像，將正例圖像中我們區(qū)域關(guān)注網(wǎng)絡的前五個關(guān)注區(qū)域標記為紅色框。

上圖是本文的網(wǎng)絡架構(gòu)，原R-MAC方法中是平等的對待每一塊進行特征聚合的圖像區(qū)域，而作者引入Regional attention module則根據(jù)圖像顯著性檢測的原理生成不同的區(qū)域權(quán)重，然后R-MAC和區(qū)域的注意力權(quán)重加權(quán)聚合，獲得最終的特征向量。

在多個數(shù)據(jù)集上都獲得了顯著的性能改進，如下圖：

關(guān)于使用區(qū)域注意力網(wǎng)絡改進R-MAC方法是什么就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。