注意与引导（AG-Net）：一种基于关键点驱动注意力机制的深度网络用于图像识别

本文提出了一种基于关键点的新颖注意力机制，用于静态图像的视觉识别。尽管深度卷积神经网络（CNN）在识别具有明显类别的图像方面取得了显著成功，但在区分细粒度变化方面表现仍不够理想。为此，本文提出了一种端到端的CNN模型，通过引入新型注意力机制，学习与细粒度变化相关联的有意义特征。该机制通过识别图像中的语义区域（Semantic Regions, SRs）及其空间分布，有效捕捉图像的结构信息，实验证明这是建模图像细微变化的关键。我们通过聚类图像中检测到的关键点，自动识别这些语义区域。利用创新的注意力机制，评估各语义区域在图像识别任务中的“有用性”，重点关注与当前任务最相关的图像局部区域。该框架适用于传统图像识别与细粒度图像识别任务，无需依赖人工标注的区域（如身体部位或物体的边界框）进行学习与预测。此外，所提出的基于关键点的注意力机制可轻松集成至现有CNN模型中。在六个多样化的基准数据集上对框架进行了评估，结果表明，该模型在Distracted Driver V1（准确率提升3.39%）、Distracted Driver V2（准确率提升6.58%）、Stanford-40 Actions（mAP提升2.15%）、People Playing Musical Instruments（mAP提升16.05%）、Food-101（准确率提升6.30%）以及Caltech-256（准确率提升2.59%）等数据集上，均显著优于当前最先进的方法。