CCNet理解

在这里插入图片描述

局部特征H∈RC×W×H,criss-cross注意模块首先在H上应用两个具有1×1 filters的卷积层,分别生成两个特征图Q和K,其中{Q,K}∈RC’×W×H。C’是特征图的通道数(number of kernel),由于尺寸缩减,C‘小于C。

在获得特征图Q和K之后,我们通过Affinity运算进一步生成注意力图A∈R(H + W-1)×W×H。

在特征图Q的空间维度上的每个位置u,我们都可以得到向量Qu∈R C’。
同理,我们可以通过从K中提取特征向量来获得集合Ωu,集合中的元素是与u处于同一行以及同一列的向量。因此,Ωu∈R(H + W-1)×C‘,Ωi,u∈R C’是Ωu的第i个元素。
例如:
Qu=[1,3,5], C’=3,
Ωu=[ [1,2,8],[1,6,9],… H+W-1个]

Affinity运算的定义如下:
在这里插入图片描述
其中di,u∈D表示特征Qu与Ωi,u的相关程度,i = [1,…,|Ωu|],D∈R(H + W-1)×W× H。
然后,我们沿着D的channel维度应用softmax层,以计算注意力图A,A∈R(H + W-1)×W×H.
因为A∈R(H + W-1)×W×H,在H上应用另一个具有1×1 filters的卷积层以生成V∈R C×W×H以进行特征自适应。
在特征图V的空间维度上的每个位置u,我们都可以获得向量Vu∈RC,将u同行或同列的放入集合Φu∈R(H + W-1)×C
Aggregation操作:
在这里插入图片描述
Ai,u∈R(H + W-1),Φi,u∈R(H + W-1)×C

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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