论文阅读: 图像分类中的注意力机制(attention)

最新推荐文章于 2024-08-08 18:07:23 发布

Wayne2019

最新推荐文章于 2024-08-08 18:07:23 发布

阅读量6.6w

点赞数 27

分类专栏：深度学习与机器学习文章标签：计算机视觉 CNN attention SENet ResNet

本文链接：https://blog.csdn.net/Wayne2019/article/details/78488142

版权

本文探讨了注意力机制如何在图像分类任务中发挥作用，包括软注意力和硬注意力的不同实现，如SENet、Residual Attention Network等。这些模型通过模仿人类注意力过程，提升了计算机视觉模型的性能，且许多技巧可以直接集成到现有网络架构中，增强了模型的适用性。

摘要由CSDN通过智能技术生成

本文简要总结一下attention机制在图像分类任务中的应用。attention作为一种机制，有其认知神经或者生物学原理: 注意力的认知神经机制是什么？
如何从生物学的角度来定义注意力？

在计算机视觉领域，注意力机制有各种不同形式的实现，可以大致分为soft attention和hard attention[1]。Soft attention的典型例子是stn[3]，Residual Attention Network[5]和Two-level Attention[2]，这种注意力机制是可微的，可以通过反向传播训练。而Hard attention 需要预测关注的区域，通常使用强化学习来训练，例子见[1]中列举的参考文献。

[2]中集成了三种类型的attention: 提供候选patch的bottom-up, 依据object筛选相关patch的object-level top-down和定位区分性部件的part-level top-down。

[5]这篇文章写得很不错，值得细读。提出了一种Residual attention network，是attention module的堆叠。在每个module中均使用bottom-up top-down结构（参考Stacked hourglass networks[7]）。The bottom-up top-down structure mimics the fast feedforward and feedback attention process。利用残差机制使得网络深度可以进一步扩展。网络结构如下图：