PulseAugur
中
实时 12:40:46
English(EN) H3Former: Hypergraph-based Semantic-Aware Aggregation via Hyperbolic Hierarchical Contrastive Loss for Fine-Grained Visual Classification

H3Former框架通过超图和双曲损失增强细粒度视觉分类

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了H3Former，一种用于细粒度视觉分类（FGVC）的新型框架，解决了现有方法的局限性。H3Former利用语义感知聚合模块（SAAM）在token之间构建加权超图，捕获高阶语义依赖性并将其聚合为区域级表示。该框架还结合了双曲分层对比损失（HHCL），以在非欧几里得空间中强制执行分层语义约束，增强类间可分离性和类内一致性。在标准FGVC基准上的实验证明了H3Former的卓越性能。 AI

影响 引入了一种提高细粒度视觉分类任务准确性的新方法。

排序理由 该集群包含一篇学术论文，详细介绍了特定计算机视觉任务的新框架和方法论。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

H3Former框架通过超图和双曲损失增强细粒度视觉分类

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Yongji Zhang, Siqi Li, Kuiyang Huang, Yue Gao, Yu Jiang ·

    H3Former: Hypergraph-based Semantic-Aware Aggregation via Hyperbolic Hierarchical Contrastive Loss for Fine-Grained Visual Classification

    arXiv:2511.10260v2 Announce Type: replace-cross Abstract: Fine-Grained Visual Classification (FGVC) remains a challenging task due to subtle inter-class differences and large intra-class variations. Existing approaches typically rely on feature-selection mechanisms or region-prop…

相关话题