抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
人再識別(再id)のためには,識別特徴を強化し,無関係なものを抑圧するので,注意機構が魅力的になっており,それは再id,即ち,識別特徴学習の鍵と良く整合する。従来手法では,大域的構造パターンから知識のマイニングを無視して,局所畳み込みを用いて注意を典型的に学習する。直感的に,特徴マップにおける空間位置/ノード間の親和性は,クラスタリングのような情報を提供し,特に実行可能な人間姿勢が制約される人画像に対して,意味論を推論し,従って注意するのに役立つ。本研究では,より良い注意学習のために大域的構造情報を捉える効果的な関係-ハードウェア大域的注意(RGA)モジュールを提案した。具体的には,大域的範囲と局所外見情報の構造的情報をコンパクトに把握するために,各特徴位置に対して,関係,すなわち,すべての特徴位置(例えば,ラスタ走査順序)とのペアワイズ相関/親和性,および浅い畳み込みモデルでの注意を学習するための特徴自体をスタックすることを提案する。広範なアブレーション研究は,著者らのRGAが特徴表現力を著しく強化し,いくつかの一般的なベンチマークで最先端の性能を達成するのに役立つことを示した。ソースコードはhttps://github.com/microsoft/Relation Aware Global Attention Networksで利用可能である。【JST・京大機械翻訳】