🔬 可解释性

🎞️ ECCV2024 · 4 篇论文解读

DetailSemNet: Elevating Signature Verification through Detail-Semantic Integration

提出DetailSemNet用于离线签名验证，通过Detail-Semantics Integrator将特征解耦为细节和语义两个分支分别处理，并引入基于EMD的局部结构匹配，在多个多语言签名数据集上取得SOTA。

Improving Intervention Efficacy via Concept Realignment in Concept Bottleneck Models

本文发现 Concept Bottleneck Models (CBMs) 中人工干预效率低下的原因在于干预时各概念独立处理、忽视了概念间关联，提出了一个轻量级的 Concept Intervention Realignment Module (CIRM)，在干预后自动重新对齐相关概念的预测值，将达到目标性能所需的干预次数最多减少 70%。

PLOT: Text-based Person Search with Part Slot Attention for Corresponding Part Discovery

提出 PLOT 框架，利用基于 Slot Attention 的 Part Discovery Module 自动发现跨模态（图像-文本）对应的人体部件，结合 Text-based Dynamic Part Attention（TDPA）动态调整各部件重要性，无需部件级标注即可在三个 benchmark 上全面超越 SOTA。

POA: Pre-training Once for Models of All Sizes

POA 提出在自监督自蒸馏框架中引入弹性学生分支，通过参数共享和随机子网络采样，一次预训练即可同时产出上百个不同大小的预训练模型（如从 ViT-L 直接提取 ViT-S/B），各子网络在 k-NN、线性探测和下游任务上均达到 SOTA 水平。