通过神经注意力学习重新思考注意力对象检测
概括
我们介绍了神经注意力学习 (NEAL),一种新的方法来增强对象检测. 在没有新的结构的情况下,NEAL 提高了神经网络的注意力,提高了对基准数据集的性能.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 视觉注意力对于神经网络中对象检测至关重要.
- 现有的方法通常依赖于经验模块来增强网络注意力.
- 需要从网络学习的角度重新思考注意力.
研究的目的:
- 从网络学习的角度提出注意力对象检测的新方法.
- 开发一种在没有额外的网络结构的情况下学习注意力的方法.
- 为了提高两阶段物体检测框架的性能.
主要方法:
- 拟议的神经注意力学习 (NEAL) 方法.
- 分类输出的计算部分导数 w.r.t. 在反向传播期间的输入特征.
- 将衍生品精制成注意力响应图,并将其用作端到端训练的目标函数.
主要成果:
- 成功学习了一个专心的卷积神经网络 (CNN) 模型,没有额外的网络组件.
- 在区域提案网络 (RPN) 和分类器中,NEAL提高了关注度.
- 在本地化和分类之间实现了互利.
结论:
- 尼尔推进了两阶段物体检测框架.
- 该方法证明了MS COCO 2017和Pascal VOC 2012数据集的最新性能.
- 在神经网络内,NEAL提供了一种有效的学习注意力的方法.
