文献

J-GLOBAL ID：202202275779591782   整理番号：22A1119693

2レベル注意活性化モデルによる弱教師付き細粒画像分類【JST・京大機械翻訳】

Weakly supervised fine-grained image classification via two-level attention activation model

著者 (5件)： Ke Xiao (Fujian Provincial Key Laboratory of Networking Computing and Intelligent Information Processing, College of Mathematics and Computer Science, Fuzhou University, Fuzhou 350116, China) ,  Ke Xiao (Key Laboratory of Spatial Data Mining & Information Sharing, Ministry of Education, Fuzhou 350003, China) ,  Huang Yanyan (Fujian Provincial Key Laboratory of Networking Computing and Intelligent Information Processing, College of Mathematics and Computer Science, Fuzhou University, Fuzhou 350116, China) ,  Guo WenZhong (Fujian Provincial Key Laboratory of Networking Computing and Intelligent Information Processing, College of Mathematics and Computer Science, Fuzhou University, Fuzhou 350116, China) ,  Guo WenZhong (Key Laboratory of Spatial Data Mining & Information Sharing, Ministry of Education, Fuzhou 350003, China)
資料名： Computer Vision and Image Understanding  (Computer Vision and Image Understanding)
巻： 218  ページ： Null  発行年： 2022年 
JST資料番号： W0185A  ISSN： 1077-3142  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 微細粒画像分類は,カテゴリーが微妙な局所差によって識別できるという事実により,挑戦的である。既存の弱教師つき微細粒画像分類法は,通常,高レベル特徴マップから識別領域を直接抽出する。畳み込みニューラルネットワークにおける局所受容野を重ね合わせることは,識別領域を高レベル特徴マップに広げ,不正確な領域局所化を引き起こすことができることを観測した。本論文では,識別領域拡張の問題を解決でき,より効果的な細粒特徴を獲得することができるエンドツーエンド2レベル注意活性化モデル(TL-AAM)を提案した。特に,TL-AAMは構成する。(1)オブジェクト注意活性化モジュール(OAAM)は,相互強化方法におけるオブジェクト領域を正確に局所化するために,勾配リフローを通してオブジェクト領域位置決めと正しい分類スコアをリンクする,すなわち,特徴チャネルにおける最大応答値を有する領域を選択することによって,局所特徴領域を位置決めするマルチスケールピラミッド注意局在化モジュール(MPALM),およびこのモジュールは,特徴マップにおいて高い応答値を有する特徴チャネルにより高い重みを与えることによって,局所領域,局所交差チャネル注意モジュール(LCAM)における詳細特性を正確に獲得することができた。大規模な実験は,TL-AAMが,CUB-200-2011,FGVC-Airkar,およびStanford-Carsデータセットにおいて,最も競合的なアプローチで,同じ設定の下で最先端の性能をもたらすことを検証した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 地図 ,  位置決め ,  エンドツーエンド方式 ,  *モデル ,  局所性 ,  チャネル
準シソーラス用語： *画像分類 ,  局在化 ,  受容野 ,  特徴マップ ,  局所特徴 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (3件)： 細粒画像分類 ,  弱監視 ,  識別領域

分類 (2件)： パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： 注意 ,  活性化 ,  モデル ,  教師 ,  細粒 ,  画像分類