空间遗忘道注意力准课内多样性的特点学习特征
Honggui Han1, Qiyu Zhang2, Fangyu Li1
1Faculty of Information Technology, Beijing University of Technology, Beijing 100124, China; Beijing Key Laboratory of Computational Intelligence and Intelligent System, Beijing University of Technology, Beijing 100124, China; Engineering Research Center of Digital Community Ministry of Education, Beijing University of Technology, Beijing 100124, China; Beijing Artificial Intelligence Institute and Beijing Laboratory for Intelligent Environmental Protection, Beijing 100124, China.
一种新的空间遗忘通道注意力 (SOCA) 方法增强了卷积神经网络 (CNN) 的图像分类. SOCA通过专注于详细的图像区域来改进特征学习,提高各种数据集的准确性.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 卷积神经网络 (CNN) 在图像分类方面表现出色,但在类内样本多样性方面扎.
- 不同的功能可以干扰CNN,限制有效的功能学习和整体性能.
研究的目的:
- 引入一个新的空间遗忘通道注意力 (SOCA) 模块,以改善课内多样性特征的学习.
- 增强CNN学习详细图像特征的能力,而无冗余.
主要方法:
- 拟议的SOCA在每个通道的卷积后执行空间结构遗忘和渐进的规范化.
- SOCA逐步重新分配道重量,以有序的方式专注于详细的特征.
- 在标准数据集 (CIFAR-10/100) 和专门的垃圾数据集上实施和测试SOCA.
主要成果:
- 在各种CNN架构中,SOCA的平均准确性得到了改善,包括SqueezeNet,MobileNet,BN-VGG-19,Inception和ResNet-50.
- 具体的平均准确度增长在1.18%至2.27%之间,取决于网络架构.
- 类激活地图证实SOCA激活了更多本地细节特征区域,验证了其可解释性.
结论:
- 拟议的SOCA模块有效地解决了基于CNN的图像分类中的类内多样性挑战.
- 通过专注于区域细节和防止特征冗余,SOCA增强了特征学习,从而显著提高了准确性.
相关概念视频
Associative Learning
Classical conditioning, also known...
Depth Perception and Spatial Vision
Observational Learning
Differential Leveling
Frequency-dependent Selection
Uniform Depth Channel Flow


