自适应任务感知精炼网络

不同于以往用类别中心作为任务表示的方法，ATR-Net通过交互所有局部特征的patch来自适应选择任务特定信息，从而获得更精确的任务表示，并设计了通道区域感知模块和精炼过滤模块来抑制背景噪声。

Yu, Liyun · 管子玉 · 赵伟 · Yang, Yaming · Tan, Jiale

IEEE Transactions on Circuits and Systems for Video Technology 2025

技术优势

任务表示更准

通过交互所有局部特征的patch来自适应选择任务特定信息，而不是简单使用类别中心。

背景噪声被抑制

设计的通道区域感知模块和精炼过滤模块能够更好地获取任务级和实例级信息，从而克服背景噪声的影响。

应用场景

• 少样本学习：在标注样本极少时也能训练出有效的分类模型，降低数据采集成本。
• 细粒度图像分类：精确区分外观相似的子类别，适用于鸟类、车型等细粒度识别任务。
• 多模态对齐：通过任务感知的跨模态特征交互对齐不同模态信息，提升多模态场景下的分类效果。
• 注意力机制：利用注意力机制自动关注任务相关区域，抑制无关背景干扰。