近日，创新奇智有关双注意力体制少样本学习培训的科学研究毕业论文《Dual Attention Networks for Few-Shot Fine-Grained Recognition》被全世界人工智能技术顶会AAAI 2022接受为Main Track毕业论文。

AAAI（The National Conference on Artificial Intelligence）是人工智能技术方面的关键学术研究机构之一国际性优秀人工智能技术研究会（American Association for Artificial Intelligence），举办的A类人工智能技术学术会。2021年大会共收到9251篇文章投稿，最后通过很多的挑选，录取人数仅为15.0%，创出历史时间最低。创新奇智文章投稿的毕业论文出类拔萃，归功于一直以来在机器视觉行业浓厚的创新能力。

创新奇智本次毕业论文中明确提出的双注意力体制少样本学习培训关键对于少样本细粒度图象鉴别每日任务。

此方式可用以加工制造业等行业标明样本非常少的情形下区别归属于不一样派生类的图象，如不一样型号的车辆、不一样种类的零件、零件上不一样品种的缺点等，降低具体应用领域中对信息量的依靠，并提升鉴别准确率。

因为细粒度特性，该鉴别每日任务的难度系数取决于必须获得比较有限练习数据信息中细微但具备识别性的构件等级方式，这促使此问题比较考验。

创新奇智明确提出的由硬/软双注意力流组成的双注意力互联网（DUAL ATT-NET），在三个常见的细粒度标准数据上的結果显著好于其它的目前优秀方式。

毕业论文讲解

简述：

细粒度图像识别是机器视觉和计算机视觉行业的基本课题研究，可是很多高品质细粒度图象信息的得到和标明必须消耗很多的人工和资金，这为细粒度图像识别的宣传和应用产生了很大的阻碍。

少样本学习是现阶段科学研究的受欢迎方位之一，可以很大程度地降低细粒度图像识别针对标明样本的依靠，故少样本的设置下开展细粒度图像识别的有关科学研究，內容和成效均切合实际应用的要求。

文中根据卷积神经网络与注意力体制获取图象中的构件与全局特点，根据基于图的多实例学习培训对部分特点开展模型，丰富多彩了细粒度一部分的本质构造关联性，根据注意力体制挖掘对细粒度图像识别有效的细微全局信息，进而获得更好的少样本细粒度图像识别的准确度。

关键奉献

1、明确提出了一种由双注意力流组成的元教学方式的新式少样本细粒度架构，以获得细粒度订制图象置入表明。

2、开发设计了包括硬/软注意力体制的双注意力互联网，不但完成细粒度物件一部分间关键关系的显式搭建，并且可以隐式获得微小但有识别性的关键点。

3、根据三个常见的细粒度标准数据开展了综合性的试验，文中提到的模式在鉴别精确性上显著好于别的解决方法。

这也是一种根据双注意力流的少样本细粒度图像识别方式，包含下列流程：

步骤1：获取样本的特点图（feature map），转化成特点图的室内空间注意力图（spatial attention map）正确引导，运用注意力正确引导体制，转化成用以软注意力流的权重计算特点图，与此同时挑选出用以硬注意力流的深层描述符（deep descriptor）。

流程2：权重计算特点图应用全局汇聚实际操作获得全局置入特点；将一个样本挑选出的全部深层描述符模型为一个多实例学习培训（multi-instance learning）的包（bag）, 应用根据图的多实例学习的方法发掘样本构件相互关系，获得构件置入特点。

流程3：将2个注意力流获得的全局置入特点和构件置入特点拼凑获得样本最后的置入表明，根据原形表明和近期邻方式开展类型预测分析和实体模型练习。

本方式与原有技术性对比，其明显优势为：

（1）本方式应用了2个注意力流各自获得了构件等级的重要信息和全局汇聚信息，不但对细粒度图像识别给予了区别新的构件级信息，也填补了对细粒度图像识别有效的细微全局信息。

（2）针对硬注意力流，应用多实例方式将挑选出的有效深层描述符模型为包，并根据图的方式 对包开展编号一体化获得相匹配细粒度构件的深层描述符的总体表明，丰富多彩了细粒度一部分的本质构造关联性。

（3）与根据双线性池的方式对比，大家的方式复杂性更低更为便于练习且有更好的鉴别高效率。

实验結果

在三个常见的少样本细粒度图像识别数据 (CUB Birds，Stanford Dogs和Stanford Cars) 上开展了试验，图中试验结果显示，毕业论文明确提出的方式几乎在全部数据上父显著好于别的标准方式。

图中数据显示出大家的实体模型对词义簇数的可扩展性，而且当簇数为3时鉴别的准确度最大。

大家明确提出的根据MIL的汇聚方式与初始MIL池化方式的实际效果，以上数据显示无论是不是与全局特点开展联接，大家的方式均呈现出不错的实际效果。

从以上結果由此可见，引进文中中考虑到细粒度构件间关联的方式会明显提升少样本低粒度分布鉴别的精确性。

最终，大家将试验中一些硬/软注意力样例开展交互，图中中第一排为键入图象；第二排为硬注意力选择的深层描述符的部位，由此可见均相匹配物件的细粒度一部分，如头、耳、尾、车胎等；第三排展现软注意力，大量的关键点细粒度方式可以被软注意力关心到。

雷峰网