注意力机制模块解析(附带代码链接)——SGE(Spatial Group-wise Enhance)

本文介绍了Spatial Group-wise Enhance (SGE) 模块,这是一种轻量级的注意力机制,能提升CNN的分类与检测性能。SGE通过在每个特征语义组内利用局部和全局特征的相似性指导增强语义特征的空间分布,从而减少噪声并提高准确性。实验证明,SGE在ImageNet和COCO数据集上取得了显著的性能提升。
摘要由CSDN通过智能技术生成

《Spatial Group-wise Enhance: Improving Semantic Feature Learning in Convolutional Networks》

arXiv:https://arxiv.org/abs/1905.09646

github:https://github.com/implus/PytorchInsight

       本篇是轻量attention模块的系列之作,它的一个重要的亮点就是同时几乎不增加参数量和计算量的情况下也能让分类与检测性能得到极强的增益。同时,与其他attention模块相比,它是首个利用local与global的相似性作为attention mask的generation source,同时具有非常强的语义表示增强的可解释性。作者认为一个完整的feature是由许多sub feature组成的,并且这些sub feature会以group的形式分布在每一层的feature里,但是这些子特征会经由相同方式处理,且都会有背景噪声影响。这样会导致错误的识别和定位结果。所以作者提出了SGE模块,它通过在在每个group里生成attention factor,这样就能得到每个sub feature的重要性,每个group也可以有针对性的学习和抑制噪声。这个attention factor仅由各个group内全局和局部特征之间的相似性来决定,所以SGE非常轻量级。经由训练之后发现,SGE对于一些高阶语意非常有效。由作者实验发现,它可以显著提高图像识别任务性能。

文章的思路很简单,类似于SENet(可看我之前的解析https://blog.csdn.net/ITOMG/article/details/88804936),除了对通道进行attention,还对空间进行attention。顺序为:

(1)先从channel维度分为group;(2)对每个group进行spacial维度的attention操作。

       一句话来概括本文的技术:在每个特征语义组内,利用local与global feature的相似性来指导增强语义特征的空间分布。我们来看核心技术图:

  • 17
    点赞
  • 91
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值