A Simple Hierarchical Pooling Data Structure for Loop Closure
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
我们提出了一个数据结构,通过分层平均袋的字描述符在一系列的意见,实现平均加速范围从4到20倍的大规模循环闭合应用程序的基准数据集。虽然简单,该方法的工作原理以及复杂的凝聚计划的一小部分的成本与最小的性能损失。
2018-10-23 cs.CV cs.RO
Differentiable Pooling for Hierarchical Feature Learning
New York University(纽约大学)
我们引入了一种基于高斯的参数化池化形式,可以在单个全局目标函数中与特征一起进行优化。相比之下,现有的池化方案是基于遗传算法(例如局部最大值),并且与模型的成本函数没有明确的联系。此外,高斯的变量显式地存储位置信息,与由特征捕获的外观不同,从而提供输入信号的什么/哪里分解。虽然可微池方案可以被纳入广泛的分层模型中,但我们在解卷积网络模型的背景下证明了它(Zeiler et al. ICCV 2011)。我们还探讨了一些次要的问题,在这个模型中,并提出详细的实验MNIST数字。
2012-06-30 cs.CV cs.LG
HieraMamba: Video Temporal Grounding via Hierarchical Anchor-Mamba Pooling
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
HieraMamba通过分层锚点-Mamba池化结构,在长视频中实现精确的时间定位,解决了视频时间接地中的全局上下文与细粒度时间细节捕捉难题。
2026-03-31 cs.CV
Hierarchical Deep Recurrent Architecture for Video Understanding
Tsinghua University(清华大学);Beihang University(北京航空航天大学);SenseTime Group Limited(商汤集团有限公司)
本文介绍了我们为Youtube-8 M视频理解挑战赛开发的系统,其中使用大规模基准数据集进行多标签视频分类。该框架包含层次化的深层结构,包括帧级序列建模部分和视频级分类部分。在帧级序列建模部分,我们探索了一系列方法,包括池化LSTM(PLSTM),分层LSTM(HLSTM),随机LSTM(RLSTM),以解决视频中大量帧的问题。我们还介绍了两种注意力池方法,单注意力池(ATT)和多注意力池(Multi-ATT),以便我们可以更多地关注视频中的信息帧,而忽略无用的帧。在视频级分类部分,提出了两种提高分类性能的方法,即分层混合专家(HMoE)和分类器链(CC)。我们最终提交的是一个由18个子模型组成的集合。就官方评估指标全局平均精度(GAP)20而言,我们的最佳提交在公共50%的测试数据集上达到0.84346,在私有50%的测试数据上达到0.84333。
2017-07-11 cs.CV
Semantic Bilinear Pooling for Fine-Grained Recognition
University of Science and Technology Beijing(北京科技大学)
当然,细粒度识别,例如,车辆识别或鸟类分类具有特定的层次标签,其中细类别总是比粗类别更难分类。然而,大多数最近的基于深度学习的方法忽略了细粒度对象的语义结构,并且没有利用传统的细粒度识别技术(例如,从粗到细的分类)。在本文中,我们提出了一个新的框架与两个分支网络(粗分支和细分支),即,语义双线性池,用于使用分层标签树进行细粒度识别。该框架可以自适应地从层次结构中学习语义信息。具体而言,我们设计了一个广义交叉熵损失的训练所提出的框架,充分利用语义先验,通过考虑相邻水平之间的相关性,扩大不同的粗类样本之间的距离。此外,我们的方法在测试时只利用精细分支,因此不会增加测试时间的开销。实验结果表明,我们提出的方法在四个公共数据集上达到了最先进的性能。
2021-11-25 cs.CV
Hierarchical Spherical CNNs with Lifting-based Adaptive Wavelets for Pooling and Unpooling
Shanghai Jiao Tong University(上海交通大学);École Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院)
池化和反池化是构造分层球形卷积神经网络(HS-CNN)进行球形域综合特征学习的两个基本操作。现有的模型大多采用基于下采样的池化,这将不可避免地导致信息丢失,并且不能适应不同的球形信号和任务。此外,池化后保留的信息不能很好地恢复由随后的unpooling来表征一个任务所需的功能。在本文中,我们提出了一种新的HS-CNN框架,该框架具有提升结构,可以学习自适应球面小波以进行池化和解池化,称为LiftHS-CNN,它确保了图像和像素级任务的更有效的分层特征学习。具体地,自适应球面小波是用由可训练提升算子组成的提升结构来学习的(即,更新和预测算子)。利用这种可学习的提升结构,我们可以自适应地将信号划分为分别包含低频和高频分量的两个子带,从而通过在低频子带中保留更多信息来生成更好的缩减表示以用于池化。更新和预测运算符通过基于图形的注意力进行参数化,以共同考虑信号的特征和底层几何结构。我们进一步表明,特定的属性承诺学习小波,确保空间频率本地化,更好地利用信号的相关性在空间和频率域。然后,我们提出了一个unpooling操作,这是可逆的提升为基础的池,其中逆小波变换是通过使用学习提升算子恢复一个放大的表示。对各种球形域任务的广泛经验评估验证了所提出的LiftHS-CNN的优越性。
2022-05-31 cs.AI cs.CV
HGPTrans: Hierarchical Graph-Pooling Transolver for Automotive Aerodynamic Drag Coefficient Prediction
提出HGPTrans,一种结合图同构卷积、物理感知切片注意力和分层池化的网络,直接从车辆网格预测气动阻力系数,在DrivAerNet等数据集上达到最低误差,推理速度较CFD加速数个数量级。
2026-10-08 cs.CV physics.flu-dyn
PVTransformer: Point-to-Voxel Transformer for Scalable 3D Object Detection
Waymo Research(Waymo研究院)
本文提出PVTransformer,用注意力模块替代PointNet池化,解决点云3D检测中的信息瓶颈问题,在Waymo Open Dataset上以76.5 mAPH L2达到最先进性能。
2024-05-05 cs.CV
S2-UniSeg: Fast Universal Agglomerative Pooling for Scalable Segment Anything without Supervision
本文提出快速通用凝聚池化算法(UniAP)和可扩展自监督通用分割模型(S2-UniSeg),通过连续预训练和逐查询自蒸馏任务,解决了多阶段训练耗时问题,并在多个基准上显著优于现有方法。
2025-08-13 cs.CV
Lacunarity Pooling Layers for Plant Image Classification using Texture Analysis
Texas A&M University(德克萨斯农工大学)
本文提出一种多尺度空隙度池化层,通过评估局部窗口内的空间变异性来增强特征提取能力,可无缝集成到任意神经网络架构中,并在植物图像分类等农业图像分析任务中展现出有效性。
2024-07-06 cs.CV
Hierarchical Feature Aggregation Networks for Video Action Recognition
Fondazione Bruno Kessler(布鲁诺·凯斯勒基金会);University of Trento(特伦托大学);Computer Vision Center(计算机视觉中心);University of Barcelona(巴塞罗那大学)
大多数动作识别方法基于a)使用平均池化、最大池化或RNN等的帧级CNN特征的后期聚合,或b)经由3D卷积的时空聚合。第一个假设帧之间的独立性达到一定程度的抽象,然后执行更高级别的聚合,而第二个提取的时空特征分组帧作为早期融合。在本文中,我们探索这两者之间的空间,让相邻的功能分支相互作用,因为它们发展到更高层次的表示。在层次结构的每个级别上,特征差异和平均之间发生相互作用,并且它具有卷积结构,该结构学习在本地选择适当的模式,而不是以前的作品,这些作品将全局模式之一(例如特征差异)作为设计选择。我们进一步将这种相互作用约束为保守的,例如,一个分支中的局部特征减法通过另一个分支上的加法来补偿,从而保留总特征流。我们评估了我们的建议在一些现有的模型,即TSN,TRN和ECO的性能,以显示其灵活性和有效性,在提高动作识别性能。
2019-05-29 cs.CV
Attribute Surrogates Learning and Spectral Tokens Pooling in Transformers for Few-shot Learning
Fudan University(复旦大学);Shanghai Key Lab of Intelligent Information Processing(上海市智能信息处理重点实验室);The University of Hong Kong(香港大学)
本文提出了新的分层级联Transformers,可以通过属性代理学习和频谱令牌池来提高数据效率。视觉Transformer最近被认为是卷积神经网络用于视觉识别的有前途的替代方案。但是当没有足够的数据时,它会陷入过拟合,表现出较差的性能。为了提高数据效率,我们提出了分层级联的Transformers,利用内在的图像结构,通过频谱令牌池和优化可学习的参数,通过潜在的属性代理。利用图像的固有结构,通过频谱令牌池化来减少前景内容和背景噪声之间的模糊性。而属性替代学习方案的目的是受益于丰富的视觉信息的图像标签对,而不是简单的视觉概念分配的标签。我们的分层级联Transformers,称为HC Transformers,是建立在一个自监督学习框架DINO,并在几个流行的少样本学习基准测试。在归纳设置中,HCTransformers在miniImageNet上超过DINO基线9.7%的5向1次精度和9.17%的5向5次精度,这表明HCTransformers能够有效地提取区分特征。此外,HCTransformers在四个流行的基准数据集(包括miniImageNet,tieredImageNet,FC 100和CIFAR-FS)上的5路1次和5路5次设置中显示出明显优于SOTA Few-Shot分类方法的优势。训练的权重和代码可在https://github.com/StomachCold/HC…
2022-03-17 cs.AI cs.CV cs.LG
Take an Emotion Walk: Perceiving Emotions from Gaits Using Hierarchical Attention Pooling and Affective Mapping
University of Maryland(马里兰大学);University of North Carolina(北卡罗来纳大学)
本文提出一种基于自编码器的半监督方法,通过层次化注意力池化和情感特征约束从三维步态序列中感知情绪,在 Emotion-Gait 基准上显著超越现有方法,尤其改善小样本类别的识别精度。
2024-11-22 cs.CV cs.LG
Depth Pooling Based Large-scale 3D Action Recognition with Convolutional Neural Networks
University of Wollongong(卧龙岗大学);China University of Geosciences(中国地质大学)
本文提出了三种简单,紧凑而有效的深度序列表示,分别称为动态深度图像(DDI),动态深度正常图像(DDNI)和动态深度运动正常图像(DDMNI),用于孤立和连续动作识别。这些动态图像是使用分层双向秩池从深度图的分段序列构造的,以有效地捕获时空信息。具体来说,DDI利用姿势随时间的动态变化,DDNI和DDMNI利用深度图捕获的3D结构信息。在此基础上,提出了一种基于ConvNet的动作识别方法。基于图像的表示使我们能够微调现有的卷积神经网络(ConvNet)模型,而无需从头开始训练大量参数。所提出的方法在三个大数据集上取得了最先进的结果,即大规模连续手势识别数据集(平均Jaccard指数0.4109),大规模孤立手势识别数据集(59.21%)和NTU RGB+D数据集(87.08%跨学科和84.22%跨视图),即使只使用深度模态。
2018-04-17 cs.CV
Enhancing Visual Token Representations for Video Large Language Models via Training-Free Spatial-Temporal Pooling and Gridding
Tsinghua University(清华大学);Shenzhen University(深圳大学);Xidian University(西安电子科技大学)
本文提出了一种无需训练的空间-时间池化和栅格化方法ST-GridPool,用于提升视频大语言模型的视觉令牌表示,通过多级时空交互和基于规范的空间池化技术,在不需重新训练的情况下提高性能。
2026-05-21 cs.AI cs.CV
CHS-Net: A Deep learning approach for hierarchical segmentation of COVID-19 infected CT images
IIIT Allahabad(印度阿拉哈巴德信息技术学院)
新型SARS-CoV-2(又称COVID-19)大流行病已在全球蔓延,造成大量生命损失。医学成像,如CT、X射线等,通过呈现器官功能的视觉表示在诊断患者中起重要作用。然而,对于任何放射科医生来说,分析这样的扫描是一项繁琐且耗时的任务。新兴的深度学习技术在分析此类扫描以帮助更快地诊断疾病和病毒(如COVID-19)方面表现出了强大的实力。在本文中,提出了一种基于自动深度学习的模型,COVID-19分层分割网络(CHS-Net),其用作语义分层分割器,以使用两个级联的剩余注意力初始U-Net(RAIU-Net)模型通过CT医学成像从肺部轮廓识别COVID-19感染区域。RAIU-Net由一个带有频谱空间和深度注意力网络(SSD)的残差初始U-Net模型组成,该模型是通过dependency可分离卷积和混合池化(max和spectral pooling)的收缩和扩展阶段开发的,以有效地编码和解码语义和不同分辨率的信息。CHS-Net使用分割损失函数进行训练,该函数定义为二进制交叉熵损失和骰子损失的平均值,以惩罚假阴性和假阳性预测。该方法与最近提出的方法进行了比较,并使用标准指标进行评估,如准确性,精确度,特异性,召回率,骰子系数和Jaccard相似性以及使用GradCam++和不确定性地图对模型预测的可视化解释。通过广泛的试验,观察到所提出的方法优于最近提出的方法,并且有效地分割了肺部中…
2021-12-29 cs.CV eess.IV
Xihe: Scalable Zero-Shot Time Series Learner Via Hierarchical Interleaved Block Attention
Ant Group(蚂蚁集团)
针对现有时间序列基础模型难以捕获多尺度依赖的问题,提出层级交错块注意力(HIBA)架构,并构建可扩展的Xihe模型系列,在GIFT-Eval基准上以9.5M至1.5B参数规模实现领先的零样本性能。
2025-10-20 cs.AI cs.CV
Scalable and Efficient Hierarchical Visual Topological Mapping
Lero - the Science Foundation Ireland Research Centre(Lero——爱尔兰科学基金会研究中心);Maynooth University(梅努斯大学);Valeo Vision Sytems(法雷奥视觉系统公司)
本文系统比较分层视觉拓扑建图中的全局描述子,提出以连续性和独特性量化可扩展性,发现无监督VAE描述子在17.6公里轨迹上显著加速且保持召回率。
2024-04-07 cs.CV cs.RO