- 博客(3)
- 收藏
- 关注
RSS订阅原创 图网络：Graph Structured Network for Image-Text Matching
用于图文匹配的图结构网络摘要 由于图像-文本匹配连接了视觉和语言，因此它受到了越来越多的关注。关键的挑战在于如何学习图像和文本之间的对应关系。现有的工作基于对象共现统计学习粗对应，而没有学习细粒度的短语对应。在本文中，我们提出了一种新颖的图结构匹配网络（GSMN），以学习细粒度的对应关系。GSMN将对象、关系和属性明确地建模为一个结构化短语，不仅可以分别学习对象、关系和属性的对应关系，而且有利于学习结构化短语的细粒度对应关系。这是通过节点级匹配和结构级匹配实现的。节点级匹配将每个节点与其来自另一种模式
2020-10-29 20:44:14
3167
2
原创 多标签分类（九）：Order-Free RNN with Visual Attention for Multi-Label Classification
用于多标签分类的具有视觉注意的无序RNN 这篇论文是2017年AAAI上的用于多标签图像分类的。摘要 本文提出了一种基于递归神经网络(RNN)的图像多标签分类模型。我们的模型独特地整合和学习视觉注意力和长短期记忆(LSTM)层，它们共同学习感兴趣的标签及其共现关系，同时与标签相关的图像区域会在视觉上被关注。与现有方法利用网络架构中的任何一个模型不同的地方在于，训练我们的模型不需要预先定义的标签顺序。此外，引入了一个鲁棒推理过程，避免了预测误差的传播而影响性能。我们在NUS-WISE和MS-COCO
2020-10-28 16:53:59
1245
原创 多标签分类(八):Attention-Driven Dynamic Graph Convolutional Network for Multi-Label Image Recognition
注意力驱动的动态图形卷积网络用于多标签图像识别摘要 近年来，为了提高多标签图像的识别精度，研究中经常使用图卷积网络(GCN)来建模标签依赖关系。但是，通过计算训练数据的标签共现可能性来构造图可能会降低模型的通用性，特别是当测试图像中存在偶然的共现对象时。我们的目标是消除这种偏差并增强学习特征的鲁棒性。 为此，我们提出了一种注意力驱动动态图卷积网络（ADD-GCN），可以为每个图像动态生成特定图。ADD-GCN采用动态图卷积网络(D-GCN)对语义注意模块(SAM)生成的内容感知类别表示的关系进行建模.
2020-10-07 18:45:38
4604
25
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人