1. MLCA介绍
1.1 摘要:注意力机制是计算机视觉中使用最广泛的组件之一,可以帮助神经网络强调重要元素并抑制不相关的元素。然而,绝大多数信道注意力机制只包含信道特征信息,忽略了空间特征信息,导致模型表示效果或目标检测性能较差,且空间注意力模块往往复杂且成本高昂。为了在性能和复杂度之间取得平衡,该文提出一种轻量级的混合局部信道注意力(MLCA)模块来提高目标检测网络的性能,该模块可以同时结合信道信息和空间信息,以及局部信息和全局信息,以提高网络的表达效果。在此基础上,提出了一种用于比较各种注意力模块性能的MobileNet-Attention-YOLO(MAY)算法。在Pascal VOC和SMID数据集上,MLCA在模型表示效果、性能和复杂性之间实现了更好的平衡,而不是其他注意力技术。在PASCAL VOC数据集上采用挤压和激励(SE)注意力机制,在SIMD数据集上采用坐标注意力(CA)方法,mAP分别提高了1.0%和1.5%。
官方论文地址:https://www.sciencedirect.com/science/article/abs/pii/S0