Key points are not available for this paper at this time.
कमजोर पर्यवेक्षित वस्तु स्थानीयकरण (WSOL) एक चुनौतीपूर्ण समस्या है जब छवि श्रेणी लेबल दिए जाते हैं, लेकिन वस्तु स्थानीयकरण मॉडल सीखने की आवश्यकता होती है। वर्गीकरण के लिए एक संकुचन तंत्रिका नेटवर्क (CNN) को अनुकूलित करने से स्थानीय भेदभावात्मक क्षेत्रों को सक्रिय करने की प्रवृत्ति होती है जबकि सम्पूर्ण वस्तु के विस्तार को नजरअंदाज किया जाता है, जिससे आंशिक सक्रियण समस्या उत्पन्न होती है। इस पत्र में, हम तर्क करते हैं कि आंशिक सक्रियण CNN के अंतर्निहित विशेषताओं के कारण होता है, जहां संकुचन ऑपरेशन स्थानीय रिसेप्टिव क्षेत्रों का उत्पादन करते हैं और पिक्सेल के बीच लंबी दूरी की विशेषता निर्भरता को पकड़ने में कठिनाई अनुभव करते हैं। हम लंबी दूरी की निर्भरता निकालने के लिए दृश्य ट्रांसफार्मर में आत्म-ध्यान तंत्र के पूर्ण लाभ उठाने के लिए टोकन सेमांटिक कपल्ड अटेंशन मैप (टीएस-CAM) प्रस्तुत करते हैं। टीएस-CAM पहले एक छवि को स्पैटियल एम्बेडिंग के लिए पैच टोकनों की एक अनुक्रम में विभाजित करता है, जो आंशिक सक्रियण से बचने के लिए लंबी दूरी की दृश्य निर्भरता के ध्यान मानचित्र उत्पन्न करते हैं। टीएस-CAM फिर पैच टोकनों के लिए श्रेणी-संबंधित अर्थों का पुनः आवंटन करता है, जिससे प्रत्येक को वस्तु श्रेणियों का पता चल सके। अंततः, टीएस-CAM पैच टोकनों को सेमांटिक-एग्नॉस्टिक अटेंशन मैप के साथ जोड़ता है ताकि सेमांटिक-जानकारी स्थानीयकरण प्राप्त किया जा सके। ILSVRC/CUB-200-2011 डेटा सेट्स पर प्रयोग दिखाते हैं कि टीएस-CAM अपने CNN-CAM समकक्षों की तुलना में WSOL के लिए 7.1%/27.1% द्वारा बेहतर प्रदर्शन करता है, जो उच्चतम स्तर का प्रदर्शन प्राप्त करता है। कोड उपलब्ध है https://github.com/vasgaowei/TS-CAM
गाओ एट अल। (शुक्रवार,) ने इस प्रश्न का अध्ययन किया।