卷积神经网络(CNNs)通过提取空间特征并在基于视觉的任务中实现了最先进的准确性,彻底改变了图像分类。所提出的压缩激励网络模块收集输入的通道表示。多层感知机(MLP)从数据中学习全局表示,在大多数用于学习图像提取特征的图像分类模型中起到关键作用。在本文中,我们引入了一种新颖的汇聚多层感知机,即多分支密集层,融入了设计用于超越现有架构的压缩激励残差模块。我们的方法结合了压缩激励网络模块和密集层,通过增强网络对通道模式的捕捉和对全局知识的理解,实现了更好的特征表示。与SENet相比,所提出的模型在参数上几乎没有增加。我们在基准数据集上进行了大量实验,验证了该模型,并将其与已建立的架构进行比较。实验结果表明,所提出的模型在分类准确性上取得了显著的提高。
论文地址:https://arxiv.org/pdf/2311.10807.pdf
代码地址:https://github.com/github-eliviate/SENetV2_torch_tf/blob/main/SaELayer_torch.py
文章贡献
- 我们承认聚合模块和Inception架构以及压缩激励模块所传承的强大表征能力对我们的影响是显