该博客探讨了现有通道注意力机制的局限性，并提出了一种两步法来增强空间信息处理，从而改进通道注意力模块。作者使用GhostNet作为主干网络，结合深浅层特征融合和多尺度空间注意力机制提升网络性能。实验中，学习率经过50轮后指数衰减，测试时通过多输出平均减少分类误差。
作者在综述了一些应用注意力机制的论文之后，发现现有的通道注意力机制在获取通道描述符存在缺陷。作者提出一种分两步汇总空间信息的方法改进通道注意力机制，实现更加精细的编码。
上图为整个模型的网络结构。主干网络为最新的轻量级网络结构GhostNet.下面是三个分支网络，用来实现深浅层的特征融合。进行深浅层的特征融合，可以达到多尺度特征融合的效果。具体好处见下图。
作者改进的通道注意力机制模块。作者通过两步法逐步缩小特征图获取通道描述符，这种方式更加精细，获得的特征更加具有代表性。
空间注意力模块
本文主要是以GhostNet为主干网络。通过引入深浅层特征融合，改进通道注意力机制（两步法），改进空间注意力机制（引入多尺度特征）来改进网络的性能。
学习率的设置。大于50轮之后指数衰减。
在测试图片时，通过多个输出的平均来做最终的决策，减少分类误差
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
