AW-Convlution:An Attention Module for Convolutional Neural Networks
AW-Convlution
文章目录
- AW-Convlution
- 参考
- 创新点
- 问题&思想描述
- 模块结构
- 实验结果
参考
- 原文
- Xception: Deep Learning with Depthwise Separable Convolutions
- CBAM
创新点
- 提出当前注意激活模型的两个问题:
- 特征图的近似问题和容量不足问题
- 提出AW-convolution结构来缓解这个问题
问题&思想描述
个人认为,这两个问题其实是一个问题,即特征图的近似问题,而容量不足问题更多可以表述为作者为解决自己提出的AW-Convlution结构不能对每个channel做独特的channel而提出的问题(后来应该是变成多个filter解决的)
此前的注意力通常可以分为Channel Attention和Spatial Attention,但这样只能达到逼近自适应校准的效果,而真正要达到自适应校准的话则是需要计算得到和Feature Map同样大的Attention Map然后点积才行,但是这样计算量太大(注意是有FC产生同样大小的map)
- 比如CBAM,这个模型就是典型的channel+spatial结合的模型,但是还是属于上面提到的模型,所以存在近似问题
- 然后作者收到卷积的启发,提出用卷积替代FC作为多通道、区域的注意力机制,这样不仅有效减少了参数量,而且相对FC比较好训练(这句话文中没说,是我加的),即如下面公式所示,其中A就是代表着卷积核,K代表原来就要计算的卷积,I是输入,x代表卷积操作。
- 然后在通道上用多个卷积分别对每一层通道进行注意力校准(其实就是用多个filter而已)
- 合并一下就是行下面的样子,这就是AW-Convlution
模块结构
- 上节提出的公式对应这里:
- 然后往下推就是AK,这里作者在AK这里加了个残差边的操作,目的是希望保留K的权重的同时拿到A的权重做注意力,这就是F2,接下来就是F1的实现,如下图:
- 上图给出了F1的公式,其中先经过平均池化,然后做两个pointwise convlutions(参见Xception中提出的卷积方法,即用N个1x1xM的卷积,得到N层特征图),以上就是模块的全部流程,值得一提的是,这玩意可以和SE/CBAM这些共用,同样有效果,且不冲突。
实验结果
突然发现作者似乎藏了CBAM的对比实验,想来应该是AW+CBAM的效果相对于CBAM并没有显著提升吧~,因此该方法的理论部分可能还存疑
AW-Convlution:An Attention Module for Convolutional Neural Networks相关推荐
- SimAM: A Simple, Parameter-Free Attention Module for Convolutional Neural Networks
论文名称:SimAM: A Simple, Parameter-Free Attention Module for Convolutional Neural Networks 作者:Lingxiao ...
- 论文阅读——ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks
ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks 改进版通道注意力 from CVPR2020 期 ...
- SA-NET: SHUFFLE ATTENTION FOR DEEP CONVOLUTIONAL NEURAL NETWORKS
论文地址:https://arxiv.org/pdf/2102.00240.pdf Github地址:https://github.com/wofmanaf/SA-Net/blob/main/mode ...
- Paying More Attetion to Attention:Improving the Performance of Convolutional Neural Networks via AT
Paying More Attetion to Attention:Improving the Performance of Convolutional Neural Networks via Att ...
- 回顾一些重要的CNN改进模型(你真的了解 Convolutional Neural Networks 么)
转载自: 干货 | 你真的了解 Convolutional Neural Networks 么 https://mp.weixin.qq.com/s?__biz=MzAwMjM3MTc5OA==&am ...
- 干货 | 你真的了解 Convolutional Neural Networks 么
干货 | 你真的了解 Convolutional Neural Networks 么 原创2016-01-11小S程序媛的日常程序媛的日常 首先,先感谢大家支持我们周六推送的第一次线下活动:程序媛们一 ...
- 【FeatherNets】《FeatherNets:Convolutional Neural Networks as Light as Feather for Face Anti-spoofing》
CVPR-2019 workshop code:https://github.com/SoftwareGift/FeatherNets_Face-Anti-spoofing-Attack-Detect ...
- 【读点论文】CMT: Convolutional Neural Networks Meet Vision Transformers
CMT: Convolutional Neural Networks Meet Vision Transformers Abstract 视觉transformer已经成功地应用于图像识别任务,因为它 ...
- 【文本分类】Recurrent Convolutional Neural Networks for Text Classification
·摘要: 从模型的角度,本文作者将RNN(Bi-LSTM)和max_pooling结合使用,提出RCNN模型,应用到了NLP的文本分类任务中,提高了分类精度. ·参考文献: [1] Recur ...
最新文章
- 档案用虚拟化服务器还是物理机,利用虚拟化将一台NAS满足不同部门
- ubuntu导出数据库
- 深度学习-机器学习(神经网络 1)
- 网络知识:电脑无线网连接不上问题汇总!
- java自己实现ioc_springioc原理、springmvc项目分析、自己实现IOC
- 先容Oracle中null的运用要领。
- Java基础之理解Annotation
- matlab nntool教程,Matlab nntool 应用实例教材.doc
- 李飞飞重返祖国执掌Google AI中国团队:不忘初心,中国已觉醒
- Farthest Point Sampling on 2d image
- 初学objective c语言4 dealloc
- mac 安装docker
- Atitit r2017 r4 doc list on home ntpc.docx 驱动器 D 中的卷是 p2soft 卷的序列号是 9AD0-D3C8 D:\ati ext\r2017
- 零拷贝原理详解(很多大厂面试题哦)
- unity开发xbox手柄 驱动坑
- 爬虫 -- 王者荣耀爬虫,爬取每个英雄的皮肤图片
- Mysql- --DQl语句(select数据查询语言,多表查询,View试图)linux常用(重点)
- games202:三,实时环境光照IBL + PRT
- 现代办公的新选择,讯飞智能录音笔SR302 Pro
- matlab 215卷积码,基于matlab的卷积码的分析与应用
热门文章
- 基于springboot+mybatis+mysql+html企业人事管理系统
- Java读取环境变量
- win10安装PS和AI后报代码为16的错误解决方法
- 安装Asterisk
- virtualBox安装centos7并实现宿主机、虚拟机、外网三网互通
- eclipse怎么调字体
- 《电路/电路原理》—戴维宁(南)定理实战演练
- 【计算机网络-自顶向下】3—Transport layer运输层(概述、多路复用与分解、UDP、可靠数据传输、TCP、拥塞控制)
- Smarty安装教程
- 树莓派3B学习资源链接——Ideas Deserve Spreading.