論文の概要: ConCA: Concentration-Aware Channel Attention for Fine-Grained Visual Recognition

• arxiv url: http://arxiv.org/abs/2608.30183v1
• Date: Mon, 31 Aug 2026 03:07:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.205922
• Title: ConCA: Concentration-Aware Channel Attention for Fine-Grained Visual Recognition
• Title（参考訳）: ConCA:細粒度視覚認識のための濃度認識チャネルアテンション
• Authors: Yu-Sheng Liu, Yu-Chen Tung,
• Abstract要約: concentration-Aware Channel Attention (ConCA) は、大きさと濃度をエンコードする二重記述子である。 6つのきめ細かいベンチマークでは、注意のないSE-Net、ECA-Netベースラインよりも改善されている。 これらの結果は、チャネル記述子と、それを注意重みにマッピングするチャネルごとのゲーティングが、視覚認識における軽量なチャネル注意の重要かつ未発見の側面であることを示している。
• 参考スコア（独自算出の注目度）: 0.41073293267048777
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lightweight channel attention mechanisms are widely used in image classification, yet their effectiveness in fine-grained visual recognition (FGVR) remains limited. Most modules summarize each channel by global average pooling (GAP), which captures activation magnitude but ignores spatial concentration, so channels with different spatial distributions but identical means receive the same descriptor. We propose Concentration-Aware Channel Attention (ConCA), which pairs the mean with a shift-invariant negative-input entropy (NegEnt), computed via a softmax over the negated activations, forming a dual descriptor that jointly encodes magnitude and concentration. A depthwise 1-D convolutional multi-layer perceptron (MLP), whose parameter count is linear in the number of channels, maps the pair to a per-channel weight. On six fine-grained benchmarks, ConCA improves over attention-free, SE-Net, and ECA-Net baselines as well as four richer descriptor-based modules under a controlled from-scratch protocol, and it generalizes across eight backbones on iNat2021-mini. These results indicate that the channel descriptor, together with the per-channel gating that maps it to attention weights, is an important but underexplored aspect of lightweight channel attention in FGVR.
• Abstract（参考訳）: 軽量チャネルアテンション機構は画像分類において広く用いられているが、細粒度視覚認識(FGVR)における効果は依然として限られている。 ほとんどのモジュールは各チャネルをグローバル平均プーリング(GAP)で要約しており、これはアクティベーションのマグニチュードをキャプチャするが空間濃度を無視するので、異なる空間分布を持つが同一の手段で同じ記述子を受け取る。 本研究では,平均値とシフト不変負インプットエントロピー (NegEnt) をペアに, 負のアクティベーションをソフトマックスで計算し, 重みと濃度を結合的にエンコードするデュアルディスクリプタを形成するConCAを提案する。 深さ方向1次元畳み込み多層パーセプトロン(MLP)は、チャネル数でパラメータカウントが線形であり、ペアをチャネル単位の重みにマッピングする。 6つのきめ細かいベンチマークでは、注意のないSE-NetとECA-Netのベースラインを改良し、コントロールされたoff-scratchプロトコルの下で4つのリッチなディスクリプタベースのモジュールを改善し、iNat2021-mini上の8つのバックボーンをまたいで一般化する。 これらの結果は、チャネル記述子と、それを注意重みにマッピングするチャネルごとのゲーティングが、FGVRにおける軽量チャネル注意の重要かつ未発見の側面であることを示している。

関連論文リスト

• Channel-Aware Probing for Multi-Channel Imaging [9.507520646516719]
  マルチチャネルイメージング(MCI)データを用いたビジョンエンコーダの訓練と評価は依然として困難である。 ChannelAware Probing (CAP)は、エンコーダとプローブの両方で特徴フローを制御することによって、固有のチャネル間多様性を利用する。
  論文  参考訳（メタデータ） (2026-02-13T08:03:27Z)
• Rethinking Transformer-Based Blind-Spot Network for Self-Supervised Image Denoising [94.09442506816724]
  BSN(Blind-spot Network)は、自己教師付き画像復調(SSID)におけるニューラルネットワークアーキテクチャとして広く使われている。 本研究では,Transformer ベースの Blind-Spot Network (TBSN) を構築した。
  論文  参考訳（メタデータ） (2024-04-11T15:39:10Z)
• Joint Channel Estimation and Feedback with Masked Token Transformers in Massive MIMO Systems [74.52117784544758]
  本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。 エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。 提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
  論文  参考訳（メタデータ） (2023-06-08T06:15:17Z)
• Efficient Multi-Scale Attention Module with Cross-Spatial Learning [4.046170185945849]
  効率的なマルチスケールアテンション(EMA)モジュールを提案する。 チャネルごとの情報保持と計算オーバーヘッドの低減に重点を置いている。 我々は画像分類と物体検出タスクについて広範囲にわたるアブレーション研究と実験を行った。
  論文  参考訳（メタデータ） (2023-05-23T00:35:47Z)
• Channel-Based Attention for LCC Using Sentinel-2 Time Series [0.0]
  本稿では,入力チャネルに対する予測を表現するアーキテクチャを提案する。 最終分類決定における各チャネルの重要性を重み付けする、畳み込み層と注意機構に依存している。 Sentinel-2 SITSに基づく実験は有望な結果を示す。
  論文  参考訳（メタデータ） (2021-03-31T06:24:15Z)
• Channelized Axial Attention for Semantic Segmentation [70.14921019774793]
  チャネルアキシャルアテンション(CAA)を提案し、チャネルアテンションと軸アテンションをシームレスに統合し、計算複雑性を低減します。 私たちのCAAは、DANetのような他の注意モデルに比べて計算リソースをはるかに少なくするだけでなく、すべての検証済みデータセット上で最先端のResNet-101ベースのセグメンテーションモデルよりも優れています。
  論文  参考訳（メタデータ） (2021-01-19T03:08:03Z)
• Channel-wise Knowledge Distillation for Dense Prediction [73.99057249472735]
  本稿では,学生ネットワークと教師ネットワークのチャンネルワイズ機能について提案する。 様々なネットワーク構造を持つ3つのベンチマークにおいて、一貫して優れた性能を実現している。
  論文  参考訳（メタデータ） (2020-11-26T12:00:38Z)
• Channel Pruning Guided by Spatial and Channel Attention for DNNs in Intelligent Edge Computing [15.248962858090431]
  重要な課題は、どのチャネルを削除すべきかを判断し、モデルの精度が負の影響を受けないようにすることだ。 本稿では,空間的注意とチャネル的注意の両方を組み合わせた新しいアテンションモジュールを提案する。 SCAのガイダンスにより、CPSCAアプローチは、他の最先端のプルーニング手法よりも高い推論精度を実現する。
  論文  参考訳（メタデータ） (2020-11-08T02:40:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。