.png){kind=icon}
返回
Robust Fine-Grained Visual Categorization via Cyclical Attention
.png){kind=icon}
PRE
AI
DOI：10.1109/TNNLS.2025.3608560.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
开放世界场景下的细粒度视觉分类（FGVC）经常遇到重遮挡（HO）样本，这些样本会破坏判别性特征。然而，有效解决重遮挡问题仍然是一个挑战。现有方法通常要么丢弃遮挡部分，要么通过图像修复或多模态策略等附加技术利用这些部分，每种方法都有其自身的优缺点。在本文中，我们提出了一种受人类自我调节学习（SRL）行为启发的新方法：通过反馈回路中的注意力重校准来利用遮挡区域的循环注意力。具体而言，我们引入了一种新的多实例模型，其中遮挡部分由于基于合作博弈机制的特殊反馈结构而至关重要。这模仿了SRL，以重新评估之前的基于注意力的图像块选择策略。然后，我们将提出的多实例模型嵌入到Transformer架构中，创建了一个SRL-FGVC Transformer。该设计的核心创新是循环注意力，其中前向和反馈自注意力形成合作联盟，以减轻注意力偏差。在六个公开数据集和我们建立的一个额外数据集上的广泛实验表明，SRL-FGVC Transformer在HO场景中始终优于现有方法。这项工作为在具有挑战性的真实世界条件下实现鲁棒FGVC提供了一个有前景的新方向。
Keyword:
Cooperative game mechanism
cyclical attention
fine-grained categorization
self-regulated learning (SRL)
transformer
期刊
IF:
8.9
论文数:
7.5K
被引数:
7.2W
机构
引用论文
.png){kind=icon}
Fine-Grained Visual Classification via Progressive Multi-granularity Training of Jigsaw Patches
PREAI
分享收藏
查看更多内容