2022 计算机视觉顶会论文----目标检测

1.Dual Cross-Attention Learning for Fine-Grained Visual Categorization and Object Re-Identification    https://arxiv.org/abs/2205.02151

用于细粒度视觉分类的双交叉注意学习物体重新识别

        最近，自我注意机制在各种NLP和CV任务中表现出令人印象深刻的性能，这可以

帮助捕获序列特征并导出全局信息在这项工作中，我们探索了如何扩展自关注模块，以便更好地学习用于识别细粒度对象的细微特征嵌入，例如鸟类种类或人的身份。为此，我们建议一种双交叉注意力学习（DCAL）算法，用于协调自注意力学习。首先，我们建议全局-局部交叉注意（GLCA）增强全局图像和局部高响应区域之间的相互作用，这有助于增强识别的空间分辨线索。其次，我们提出了成对交叉注意（PWCA）来建立交互在图像对之间。PWCA可以调节注意力通过将另一图像视为干扰物来学习图像，并将在推理过程中移除。我们观察到DCAL可以减少误导性的关注，并传播。注意：发现更多互补部分的反应用于识别。我们对细粒度视觉分类和对象重新识别进行了广泛的评估。实验表明，DCAL的性能与最先进的方法，并不断改进自我注意力基线，例如，在MSMT17上分别超过DeiT Tiny和ViTBase 2.8%和2.4%的mAP。

2. Continual Object Detection via Prototypical Task Correlati