典型文献
基于空间注意力的CNN特征增强方法
文献摘要：
卷积神经网络一般被用于特征提取,它通过提取图像底层的点、线、面的几何特征,进而映射到高层的语义特征,然而传统的卷积网络只对输入的样本进行宽泛的特征提取,而不会刻意去区分图像的前景和后景,这使得模型提取到的特征包含大量的背景噪声,降低了模型的表征能力.在空间注意力的基础上,提出了一种名为特征增强网络(FA-block)的卷积网络分支,这种网络结构从样本的掩膜中学习目标的空间分布,为原始特征图上的每一个像素点训练得到代表重要程度的权重,然后通过加权的方式突出特征图中的目标部位.此方法旨在抑制背景噪声,增强待学习的目标特征,让主干网络提取到的特征更加纯净.在PASCAL VOC数据集上的实验证明了FA-block的有效性,最后经过MS COCO数据集的验证,FA-block使得Faster Rcnn基线的性能提高了5.5％.
文献关键词：
计算机视觉;卷积神经网络;空间注意力;特征增强;高频噪声抑制
中图分类号：
作者姓名：
许畅;王朝辉
作者机构：
武汉科技大学 计算机科学与技术学院,湖北 武汉 430065
文献出处：
引用格式：
[1]许畅;王朝辉-.基于空间注意力的CNN特征增强方法)[J].计算机技术与发展,2022(06):74-78,111
A类：
高频噪声抑制
B类：
空间注意力,特征增强,增强方法,几何特征,射到,语义特征,卷积网络,行宽,宽泛,刻意,后景,取到,背景噪声,表征能力,FA,block,掩膜,学习目标,特征图,像素点,练得,重要程度,突出特征,法旨,目标特征,主干网络,纯净,PASCAL,VOC,COCO,Faster,Rcnn,性能提高,计算机视觉
AB值：
0.442425
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
