admin管理员组

文章数量:1650763

这篇文章借鉴了SEnet，然后做了结构的改动。
作者提到，一个完整的feature是由许多sub feature组成的，并且这些sub feature会以group的形式分布在每一层的feature里，但是这些子特征会经由相同方式处理，且都会有背景噪声影响。这样会导致错误的识别和定位结果。所以作者提出了SGE模块，它通过在在每个group里生成attention factor，这样就能得到每个sub feature的重要性，每个group也可以有针对性的学习和抑制噪声。这个attention factor仅由各个group内全局和局部特征之间的相似性来决定，所以SGE非常轻量级。经由训练之后发现，SGE对于一些高阶语意非常有效。由作者实验发现，它可以显著提高图像识别任务性能。

除了将channel划分为多个子特征来表示不同的语义外，我们还需要考虑卷积特征图中的另一个重要维度:空间。对于特定的语义group，在原始图像的正确空间位置生成相应的语义特征是合理的，也是有益的。但是，由于缺乏对特定区域细节的监控以及图像中可能存在的噪声，语义特征的空间分布会出现一定的混沌，这大大削弱了学习的表示性，使得层次理解的构建变得困难(见图1中的X)。
为了使每个特征都能鲁棒，并且在空间上都能产生作用，我们在所有的feature上都做了attention mask。这个attention mask可以减少噪声，并且提高特征语义区域的正确性。不同于其他的attention，作者使用了全局和局部特征的相关性来生成attention mask，所以这个模块几乎没有多余的运算量。
在引入SGE模块后&#x

本文标签： wiseEnhancegroupSGESpatial

版权声明：本文标题：SGE——Spatial Group-wise Enhance: Improving Semantic Feature Learning in Convolutional Networks 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://www.elefans.com/dianzi/1729534885a1205290.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。