Pointnet++改进：在特征提取模块加入CBAM注意力机制

已于 2024-01-02 13:34:07 修改
阅读量1.1k 收藏 13
点赞数 9
分类专栏： Pointnet++改进专栏 文章标签： 深度学习 人工智能 3d python
于 2024-01-02 13:33:28 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_51530640/article/details/135338288
版权
本文介绍了将卷积块注意力模块(CBAM)应用于Pointnet++的改进方法，通过在3D特征提取过程中引入注意力机制，提升了模型的分类和检测性能。CBAM作为一个轻量级模块，可以无缝集成到任何CNN架构，且在ImageNet-1K、MS COCO和VOC 2007数据集上表现出一致性提升。
摘要由CSDN通过智能技术生成

简介：
1.该教程提供大量的首发改进的方式，降低上手难度，多种结构改进，助力寻找创新点！
2.本篇文章对Pointnet++特征提取模块进行改进，提升性能。
3.专栏持续更新，紧随最新的研究内容。

目录

1.步骤一

2.步骤二

3.步骤三

论文介绍：

摘要。我们提出了卷积块注意模块(CBAM)，这是一种简单而有效的前馈卷积神经网络注意模块。给定一个中间特征映射，我们的模块沿着两个独立的维度依次推断注意力映射，通道和空间，然后将注意力映射乘以输入特征映射以进行自适应特征细化。因为CBAM是一个轻量级的通用模块，它可以无缝地集成到任何CNN架构中，开销可以忽略不计，并且可以与基础CNN一起进行端到端训练。我们通过在ImageNet-1K、MS COCO检测和VOC 2007检测数据集上进行大量实验来验证我们的CBAM。

我们的实验表明，各种模型在分类和检测性能上都有一致的提高，证明了CBAM的广泛适用

了解本专栏 订阅专栏 解锁全文 超级会员免费看
AICurator
关注
专栏目录
订阅专栏
Pointnet++改进：更换不同的激活函数，打造更优性能
m0_51530640的博客
01-02 974
在models/pointnet2_utils.py中加入以下代码，该代码将PointNetSetAbstraction中的mlp三层感知机重新封装成一个class Conv模块，便于直接在Conv模块中修改激活函数，修改后的代码和源码结构是一致的。修改不同的激活函数直接在Conv类中修改即可。在不同的模型中修改调用即可，如在models/pointnet2_sem_seg.py文件中修改，训练即可。
目标检测基础知识（2）：CBAM，常用评价指标
一枚小白的博客
06-19 1695
CBAM 目的：增强特征的表达，关注重要特征并抑制不重要特征。 原理：CBAM有两个组成部分，第一部分是通道注意力模型，第二部分是空间注意力模型。 提取通道注意力的时候，就把空间信息暂时忽略，因此在空间维度上分别进行最大值池化与平均值池化，得到两个只有通道维度的向量，然后将这两个向量分别通过一个两层的神经网络，两特征相加后经过sigmoid函数。然后用得到的这个通道注意力向量与特征图相乘，得到空间注意力处理的输入。 提取空间注意力的时候，同样的道理，要将通道信息暂时忽略，因此在通道维度上进行最大值池化
Pointnet++的改进
qq_27353621的博客
07-04 2443
Pointnet++改进
PointNet/PointNet++ 开源代码内容（集百家所长）
杨家乐的博客
06-24 929
感谢链接中各位作者，如侵删。 一：PointNet论文复现及代码详解-知乎https://zhuanlan.zhihu.com/p/86331508 Pytorch代码：https://github.com/fxia22/pointnet.pytorch 二：从PointNet到PointNet++理论及pytorch代码-CSDNhttps://blog.csdn.net/weixin_39373480/article/details/88878629 Pytorch代码：https://gith
【论文阅读】【点云处理】pointnet++的改进
麒麒哈尔的博客
02-07 6502
文章目录PATs & GSA PATs & GSA 论文：Modeling Point Clouds with Self-Attention and Gumbel Subset Sampling 2019CVPR，上海交大MoE实验室和华为诺亚方舟实验室 本文主要改进了PointNet++中的FPS的部分，使得选取的点更能处理外点，将down sampling的点选取在attent...
Pointnet++改进：在特征提取模块加入EMA注意力机制
m0_51530640的博客
01-03 1313
在各种计算机视觉任务中，通道或空间注意机制对于产生更多可识别的特征表示具有显着的有效性。然而，通过通道降维来建模跨通道关系可能会对提取深度视觉表征带来副作用。本文提出了一种新型的高效多尺度注意力(EMA)模块。为了保留每个通道上的信息和减少计算开销，我们将部分通道重构为批处理维度，并将通道维度分组为多个子特征，使空间语义特征在每个特征组内均匀分布。具体而言，除了编码全局信息以重新校准每个并行分支中的通道权重外，还通过跨维交互进一步聚合两个并行分支的输出特征，以捕获像素级成对关系。
Pointnet++改进：在特征提取模块加入GAM注意力机制
m0_51530640的博客
01-03 1113
NAMAAttention注意力机制简介：注意力机制是近年来研究的热点之一（Wang et al。[2017]，Hu等人[2018]，Park等人[2018]、Woo等人[2018]和Gao等人[199]）。它有助于深度神经网络抑制不太显著的像素或通道。许多先前的研究都侧重于通过注意操作捕捉显著特征（Zhang等人[2020]，Misra等人[2021年]）。这些方法成功地利用了来自不同维度特征的相互信息。然而，它们缺乏对权重的贡献因素的考虑，这能够进一步抑制不重要的通道或像素。受Liu等人的启发。
Pointnet++改进57：全网首发SCSA（2024最新注意力机制）|即插即用，提升特征提取模块性能
m0_51530640的博客
09-16 493
通道关注和空间关注分别在提取各种下游视觉任务的特征依赖关系和空间结构关系方面带来了显著的改进。它们的结合更有利于发挥各自的优势，但通道和空间注意之间的协同作用尚未得到充分挖掘，缺乏充分利用多语义信息的协同潜力来进行特征引导和缓解语义差异。本研究试图在多个语义层面揭示空间和通道注意之间的协同关系，提出了一个新的空间和通道协同注意模块(SCSA)。我们的SCSA由两部分组成:可共享的多语义空间注意(SMSA)和渐进式信道自注意(PCSA)。
Pointnet++改进：在特征提取模块加入NAMAttention注意力机制，有效涨点
m0_51530640的博客
01-03 1410
NAMAAttention注意力机制简介：注意力机制是近年来研究的热点之一（Wang et al。[2017]，Hu等人[2018]，Park等人[2018]、Woo等人[2018]和Gao等人[199]）。它有助于深度神经网络抑制不太显著的像素或通道。许多先前的研究都侧重于通过注意操作捕捉显著特征（Zhang等人[2020]，Misra等人[2021年]）。这些方法成功地利用了来自不同维度特征的相互信息。然而，它们缺乏对权重的贡献因素的考虑，这能够进一步抑制不重要的通道或像素。受Liu等人的启发。
即插即用的涨点模块之注意力机制（CBAMAttention）详解及代码，可应用于检测、分割、分类等各种算法领域
qq_51511878的博客
04-19 6973
CE模块通常只注意了通道特征，但在视觉任务中，空间任务通常更为重要，是不可忽略的，因此CBAM将通道注意力机制与空间注意力机制进行串联，充分关注特征信息。什么是空间特征？在深度学习中，空间特征是指描述输入数据在空间维度上的特征信息。对于图像数据而言，空间特征可以涵盖多种信息，包括边缘、角点、纹理、颜色等。这些特征信息可以帮助模型理解图像中不同区域的内容和结构，从而实现诸如目标检测、图像分割、图像分类等任务。
论文速读Backbone系列一：点云Transformer结合、PointNet++改进、点云卷积核设计
Clichong
12-07 2922
如有错误，恳请指出。对一些经典论文进行快速思路整理，以下内容主要关注的是3d点云的backbone设计，包括transformer的应用，卷积核的设计，PointNet++网络的改进。1）提出Offset Atention，在原本的self-attention中的LBR(Fa)改为LBR(Fin-Fa)，同时魔改了norm方法。其中这里的Fin是原始点特征，Fa是进行self-attention变换之后的特征 2）提出Neighbor Embedding，利用attention可以捕获全局特征但是缺少局部特
PointNet++详解与代码
热门推荐
10点43的博客
05-25 3万+
在之前的一篇文章《PointNet：3D点集分类与分割深度学习模型》中分析了PointNet网络是如何进行3D物体分类与分割的。
机器人抓取系列——CBAM注意力机制
toCVer的博客
06-14 7011
注意力机制
基于CBAM-CNN的故障汽车检测
haosen
08-12 1826
随着汽车行业的迅速发展，交通事故处理逐渐成为交管部门的一项挑战性工作。为进一步提高交通事故处置效率，在静态图像中对事故车辆完成识别和检测任务是本文研究的主要内容。传统的车辆图像识别算法将特征提取与目标分类常分为两个阶段,特征选取需要人工构建,主要依靠人为经验,整个过程效率低下,特别在现实复杂的交通场景中,由于天气、光照、环境以及光学抖动等因素的影响,不能够有效检测出目标。针对传统车辆检测算法的不足,卷积神经网络的兴起逐渐成为主流的目标检测算法,其主要优势在于目标检测中候选区域生成、特征提取、分类、位置精修四
计算机视觉注意力网络(三)——CBAM [ECCV 2018]
quanwei的博客
07-01 2667
CBAM(Convolutional Block Attention Module)结合了特征通道和特征空间两个维度的注意力机制。CBAM通过学习的方式自动获取每个特征通道的重要程度，和SEnet类似。此外还通过类似的学习方式自动获取每个特征空间的重要程度。并且利用得到的重要程度来提升特征并抑制对当前任务不重要的特征。 CBAM提取特征通道注意力的方式基本和SEnet类似，如下ChannelAttention中的代码所示，其在SEnet的基础上增加了max_pool的特征提取方式，其余步骤是一样的。将通道
深度学习·wandb
2301_80132162的博客
10-01 417
一个好用的可视化训练过程和调参工具，建议在深度学习中使用，语法来说更加方便。
安全帽头盔检测数据集 3类 12000张 安全帽数据集 voc yolo
最新发布
阿利同学的博客
10-04 844
安全帽头盔检测数据集 3类 12000张 安全帽数据集 voc yolo
深度学习：DCGAN
Landy_Jay的博客
10-01 472
CDGAN（Deep Convolutional Generative Adversarial Networks），是GAN（Generative Adversarial Networks）的一种变体，它特别使用了卷积神经网络（CNNs）作为生成器和判别器的构建模块。DCGAN使用全卷积网络结构代替传统的池化层和全连接层。在生成器中采用转置卷积（也称为分数步长卷积或反卷积）来逐步增加图像的空间维度。在判别器中使用卷积层来逐步减少空间维度并提取特征。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

AICurator

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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