论文链接:https://arxiv.53yu.com/pdf/2107.10834.pdf?ref=https://githubhelp.com
代码链接:https://github.com/SlongLiu/query2labels
1. 动机
多标签分类需要特别关注两个问题:1)如何处理标签不平衡问题,2)如何从感兴趣区域提取特征。为了解决第一个问题,很多研究者设计了各种损失函数;而相对于第一个问题相比,第二个问题的解决方案相对不成熟,需要特殊设计的网络架构或额外依赖于标签相关性。
2. 方法
在本文中,作者提出了一个简单而有效的解决方案,使用Transformer解码器查询类标签的存在性。作者表明,在没有附加功能的情况下,所提出的解决方案会产生新的SOTA结果,并为其简单的实现和卓越的性能建立强大的基线。该解决方案命名为Query2Label,如上图所示1,本文使用可学习的标签嵌入作为查询,通过Transformer编码器中的交叉注意模块探测和汇集类相关的特性。合并后的特征具有自适应和更强的鉴别性,从而提高了多标签分类的性能。
- Query2Label框架
Query2Label是一个两阶段框架,主要由第一阶段的特征提取模块,第二阶段的Transformer解码块(用于query更新)和特征映射组成。 - 特征提取模块
给定一幅图像 x ∈ R H 0 × W 0 × 3 x \in R^{H_0 \times W_0 \times 3} x∈RH0×W0×3作为输入,利用主干提取其空间特征 F 0 ∈ R H × W × d 0 \mathcal{F}_0 \in R^{}H \times W \times d_0 F0∈RH×W×d0。然后添加一个线性映射层,将特征从维数 d 0 d_0 d0投影到 d d d,与第二阶段所需的query维数匹配,并将映射的特征reshape为