GNN与CBAM：图像分类与点云分割的性能飞跃！

近年来，图像处理和点云语义分割技术取得了显著进展。GNN架构通过结合局部和全局注意力特征，有效提升了图像分类的准确性。同时，CBAM模块在CNN中引入注意力机制，显著增强了模型对目标对象的关注能力。这些技术的发展不仅推动了计算机视觉领域的进步，也为自动驾驶、智能监控等实际应用提供了更强大的技术支持。

提出了一种新型的GNN架构，结合局部和全局注意力特征，同时引入了CBAM模块，显著提升了图像分类和点云语义分割的性能。

这些技术的应用大幅提升了模型的准确性和效率，为自动驾驶和智能监控等领域的实际应用提供了更可靠的解决方案。

我整理了9种【多尺度A】的相关论文，全部论文PDF版可以关注工棕号{AI因斯坦}

回复  “多尺度A”领取~

1.Classification of Hyperspectral Image Based on Double-Branch Dual-Attention Mechanism Network

文章针对高光谱图像分类难题，提出双分支双注意力机制网络 DBDA。该网络通过双分支提取特征并优化，实验证明其在多数据集上分类精度高、训练时间少，为高光谱图像分类提供了有效方案。

• 创新点

1.构建基于 DenseNet 和 3D-CNN 的端到端双分支网络，分别提取光谱和空间特征。

2.在两个分支中分别引入通道和空间注意力机制，优化特征图，提升特征判别力。

3.采用 Mish 激活函数，并结合动态学习率等策略防止过拟合，加快模型收敛。

• 研究结论

1.DBDA 在四个数据集上分类精度领先，尤其在训练样本有限时优势明显。

2.注意力机制能有效提升模型精度，且空间注意力机制效果更优。

3.Mish 激活函数相比 ReLU，能更好地加速模型反向传播和收敛，提升性能。

全部论文PDF版可以关注工棕号{AI因斯坦}

回复  “多尺度A”领取~

2.A GNN Architecture With Local and 

Global-Attention Feature for  Image Classification

文章提出一种新型端到端图神经网络架构，用于图像分类。该架构结合局部和全局注意力特征，通过实验验证了其在多个数据集上的有效性，为图像分类提供了更准确的方法。

• 创新点

1.设计同时学习局部和全局特征的架构，利用 CNN 块和 GCN 分别提取相应特征，提升分类准确性。

2.提出基于自注意力机制的 GMSAPool，能从全局特征中提取更具代表性的全局注意力特征，优化预测效果。

3.采用自构建图（SCG）块作为图自动编码器，无需先验知识构建图，降低计算负担。

• 研究结论

1.该模型在三个数据集上的 Macro-F1 得分分别达到 84.46%、77.80% 和 83.33% ，超越了最佳基线模型。

2.GMSAPool 能有效提取全局注意力特征，相比最佳基线方法，Macro-P、Macro-R 和 Macro-F1 平均提升 3.655%、1.12% 和 2.715%。

3.模型在不同规模和像素大小的数据集上均表现良好，但模型学习依赖关系的可解释性有待进一步研究。

全部论文PDF版可以关注工棕号{AI因斯坦}

回复  “多尺度A”领取~

3.TransFuse: Fusing Transformers and CNNs for  Medical Image Segmentation

文章针对 CNN 在医学图像分割中捕捉全局信息的局限，提出结合 Transformer 和 CNN 的 TransFuse 架构。经实验验证，该架构能有效融合两者优势，在多任务中取得优异成绩，提升分割精度与效率。

• 创新点

1.设计并行分支架构，同时利用 CNN 捕捉局部细节和 Transformer 获取全局信息，避免网络过深。

2.提出 BiFusion 模块，通过自注意力和多模态融合机制，有效融合来自两个分支的特征。

3.架构在保证性能的同时，减少了模型参数数量，提高了推理速度，便于部署。

• 研究结论

1.TransFuse 在多个医学图像分割任务上达到了最先进水平，性能优于其他方法。

2.并行分支设计和 BiFusion 模块有效，二者结合可提升模型性能，且两分支具有互补性。

3.TransFuse 在参数数量和推理速度上表现高效，未来可优化 Transformer 层并拓展应用。

全部论文PDF版可以关注工棕号{AI因斯坦}

回复  “多尺度A”领取~

顶会投稿交流群来啦！

欢迎大家加入顶会投稿交流群一起交流~这里会实时更新AI领域最新资讯、顶会最新动态等信息~