인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
초록·키워드
Finding photos that fall into the same metaclass's subcategories is half of the goal of fine-grained image retrieval. The primary problem that this kind of approach has always had is that some of the current methods are essentially unable to capture discriminative local features, which is crucial to distinguish visually similar subcategories. It has also always had to deal with issues like significant intra-class differences and small inter-class differences, which are very challenging to resolve. The paper proposes a multi-granularity attentional learning approach that adaptively focuses on and deals with the most distinctive regions and features, while ignoring some less necessary regions to enhance fine-grained retrieval. Specifically, the paper designed three collaborative attention modules: channel attention (for adaptively recalibrating channel feature responses), spatial attention (for highlighting salient areas), and partial attention (for locating key object parts). A large number of attempts on the CUB-200-2011 dataset demonstrate the superiority of the method, which the paper verifies is significantly superior to the baseline method and achieves state-of-the-art retrieval performance. Ablation studies and visualisation further validated the effectiveness and complementarity of the different concerns.
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
