LARE：用于文本图像检索的低注意力区域编码

由于传统视觉编码器的显着性偏差，拥挤场景中的图像检索特别具有挑战性，传统视觉编码器倾向于关注主要对象，而忽略对细粒度检索通常至关重要的低注意力区域。我们提出了 LARE（低注意力区域编码），这是一个对这些被忽视的区域进行显式建模的框架。 LARE 采用双编码策略，并行编码图像的低注意力区域和完整图像，从而获得更加多样化和信息丰富的图像嵌入。为了评估具有挑战性的拥挤场景中的图像检索性能，我们引入了 Dense-Set，这是一个源自 COCO 和 Flickr30K 的具有挑战性的子集。在这个子集中，图像被重新添加标题，以提供对低关注度或以前被忽视的区域的更丰富的描述。该数据集凸显了现有检索模型的局限性，并能够在密集拥挤的场景条件下进行更严格的评估。实验结果表明，所提出的框架通过在共享潜在空间中保留微妙的、非主导的视觉线索来提高检索性能。