场景图生成论文阅读笔记 之 Visual Relation Detection with Multi-Level Atention

Visual Relation Detection with Multi-Level Atention
2019 ACM MM

Visual Relation Detection with Multi-Level Atention
2019 ACM MM

针对问题

  • 大多数工作直接使用Union Box区域作为谓词的视觉特征,这样会1)引入无关的背景信息。2)忽视了目标周围的上下文信息
  • 因为视觉特征、位置信息、语义信息(类别)都对关系的预测有贡献,大多数工作直接将三个线索直接拼接在一起,但是不同场景下不同线索的贡献是不同的,例如“on”更依赖于位置特征,而“ride”更依赖于视觉线索和语义线索。

论文贡献/创新点

  • 采用多阶段视觉注意力机制(空间注意力+通道注意力)获取显著的交互区域代替直接使用Union Box
  • 设计了多线索注意力来分别计算各线索的权重来结合三个线索

论文内容

1、 多阶段视觉注意力

这一部分可以分为两部分:通道注意力与空间注意力。
1) 通道注意力应用在backbone的每个卷积块后,其机制原理就与普通的通道注意力相同,对特征(c,w,h)的每个通道求均值后再将得到的向量(c,1,1)投入全连接层计算各个通道的权重,而后对各通道进行加权。
2) 同样的,空间注意力也是简单添加了普通的注意力机制,这里文中将主宾的目标类别进行编码后作为注意力里的query,最终得到显著的交互区域(下面结构图中的黄色框部分)
在这里插入图片描述

2、 多线索注意力机制

共有三个线索:视觉线索、语义线索、位置线索。
需要首先对这些线索进行编码,视觉特征通过上面的多阶段视觉注意力得到,然后需要对空间线索、语义线索分别进行编码,而后再计算权重
论文中计算权重的方式如下:
在这里插入图片描述

对于每个线索的特征向量都使用上式计算权重

有一说一,没太理解这个公式,其中Wg和attention矩阵Gi的作用是什么,Gi是如何得到的

为了减少参数量,作者还对Gi应用了矩阵分解
对三个线索进行加权得到最终的结果:
在这里插入图片描述

实验

作者在VG150, VRD, VG200这三个数据集上都做了实验,结果如下:
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: "few-shot object detection with attention-rpn and multi-relation detector" 是一种使用注意力机制的少样本目标检测方法。它通过使用 Attention-RPN(Region Proposal Network)和 Multi-Relation Detector 来实现对目标的检测。 Attention-RPN 可以在提议区域中识别关键部位,而 Multi-Relation Detector 则可以在少量样本中识别目标并定位它们。这种方法在训练和测试时都需要少量样本,因此可以减少模型的训练时间和资源消耗。 ### 回答2: 随着人工智能技术的不断发展,目标检测的研究也得到了越来越多的关注。其中,Few-shot object detection with attention-rpn and multi-relation detector是目前在目标检测领域上的一个最新研究成果。那这个算法是什么呢? 针对目前目标检测领域中的一大难点——少样本学习,此研究提出了一种基于RPN(region proposal network)和注意力机制的多关系检测算法,使得模型只需使用少量的训练数据,就能在未见过的类别中达到较高的检测准确率。 具体来说,该算法通过在RPN中引入注意力交互模块来提供精细的检测区域,同时通过设计多组关系特征提取器,能够有效处理不同目标类别之间的相互关系。在训练阶段,该算法将训练数据集划分为meta-train和meta-test集合,然后在较小的meta-train集合中学习关系特征提取器和注意力交互模块,最后在meta-test集合的未知类别中进行目标检测。 综合以上基本思路,该算法通过引入注意力机制和多关系特征提取器来实现Few-shot object detection。该算法在目前的Few-shot目标检测基准测试数据集上进行了实验证明,实现了较高的检测准确率,在很大程度上解决了少样本学习的问题。未来,这个技术还需要进一步实践和推广,使得得到更广泛的使用。 ### 回答3: 本文介绍了一种基于注意力机制RPN(Attention-RPN)和多关系检测器(Multi-Relation Detector)的小样本目标检测技术(Few-shot Object Detection)。该技术可以利用预训练的模型来辅助小样本检测任务,并可以适应新的目标类别。 本文中的Attention-RPN是一种针对小样本学习的改进版本,它可以通过选择性的关注训练数据中的重要区域来提高小样本的性能。同时,Attention-RPN还可以利用先前训练模型的知识来指导小样本的训练过程,从而提高检测结果的准确性。 而多关系检测器则是一种可以检测目标之间关系的模型。通过学习目标之间的关系,可以更好地理解像中的场景,并且可以更准确地定位和分类目标。本文中的多关系检测器采用了一种新的模型结构,其中用到了一种称为Transformers的自注意力机制,它可以自适应地聚焦于任务中的关键区域,从而提高检测性能。 在实验中,本文采用了COCO、VOC和miniImagenet等数据集进行测试。结果表明,本文所提出的Few-shot Object Detection技术可以在少量样本的情况下取得好的检测结果。同时,Attention-RPN和Multi-Relation Detector也能分别提高小样本和多样本的检测性能,证明它们是十分有效的模型改进方式。 综上所述,本文提出了一种新的小样本目标检测技术,并通过Attention-RPN和Multi-Relation Detector的改进来提高检测性能。该技术对于具有高效率和精度要求的目标检测任务具有十分重要的意义,可能对未来的计算机视觉研究和工业应用产生积极的影响。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值