這篇文章給大家介紹使用區(qū)域注意力網(wǎng)絡(luò)改進(jìn)R-MAC方法是什么，內(nèi)容非常詳細(xì)，感興趣的小伙伴們可以參考借鑒，希望對(duì)大家能有所幫助。

成都創(chuàng)新互聯(lián)致力于做網(wǎng)站、成都網(wǎng)站建設(shè),成都網(wǎng)站設(shè)計(jì),集團(tuán)網(wǎng)站建設(shè)等服務(wù)標(biāo)準(zhǔn)化，推過(guò)標(biāo)準(zhǔn)化降低中小企業(yè)的建站的成本，并持續(xù)提升建站的定制化服務(wù)水平進(jìn)行質(zhì)量交付，讓企業(yè)網(wǎng)站從市場(chǎng)競(jìng)爭(zhēng)中脫穎而出。 選擇成都創(chuàng)新互聯(lián)，就選擇了安全、穩(wěn)定、美觀的網(wǎng)站建設(shè)服務(wù)！

使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行有效圖像檢索的許多方法近年來(lái)都集中于特征聚合而不是特征嵌入，因?yàn)橐呀?jīng)發(fā)現(xiàn)卷積特征具有合理的鑒別力。盡管如此，我們發(fā)現(xiàn)用于圖像檢索的眾所周知的基于區(qū)域的特征聚合方法R-MAC仍然受到背景雜亂和區(qū)域重要性不同的影響。在這項(xiàng)工作中，我們通過(guò)一個(gè)簡(jiǎn)單有效的情境感知區(qū)域注意力網(wǎng)絡(luò)（context-aware regional attention network ）來(lái)解決這些問(wèn)題，該網(wǎng)絡(luò)根據(jù)全局注意力來(lái)衡量一個(gè)區(qū)域的注意力得分。我們?cè)趶V泛應(yīng)用的的圖像檢索數(shù)據(jù)集上進(jìn)行了各種實(shí)驗(yàn)，證明我們的方法不僅顯著改善了R-MAC基線(xiàn)方法，而且還在“pre-trained single-pass”類(lèi)別方法中達(dá)到了新的state-of-the-art高度。此外，我們也證明了當(dāng)與查詢(xún)擴(kuò)展（query expansion）方法結(jié)合使用時(shí)，我們的方法顯示出比先前方法更高的準(zhǔn)確度改進(jìn)。這些結(jié)果歸功于我們與R-MAC集成的新型區(qū)域關(guān)注網(wǎng)絡(luò)。

上圖顯示了Oxford5k中背景和雜亂的兩個(gè)具有挑戰(zhàn)性的例子。 在每個(gè)示例中，左邊是查詢(xún)，而右邊是其對(duì)應(yīng)的正例圖像，將正例圖像中我們區(qū)域關(guān)注網(wǎng)絡(luò)的前五個(gè)關(guān)注區(qū)域標(biāo)記為紅色框。

上圖是本文的網(wǎng)絡(luò)架構(gòu)，原R-MAC方法中是平等的對(duì)待每一塊進(jìn)行特征聚合的圖像區(qū)域，而作者引入Regional attention module則根據(jù)圖像顯著性檢測(cè)的原理生成不同的區(qū)域權(quán)重，然后R-MAC和區(qū)域的注意力權(quán)重加權(quán)聚合，獲得最終的特征向量。

在多個(gè)數(shù)據(jù)集上都獲得了顯著的性能改進(jìn)，如下圖：

關(guān)于使用區(qū)域注意力網(wǎng)絡(luò)改進(jìn)R-MAC方法是什么就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，可以學(xué)到更多知識(shí)。如果覺(jué)得文章不錯(cuò)，可以把它分享出去讓更多的人看到。