改进CBAM的轻量级注意力模型

摘要：

近几年注意力模型在计算机视觉领域取得了广泛的应用,通过在卷积神经网络中加入注意力模型,网络的性能可以显著提升.然而大多数现有的方法都专注于开发更复杂的注意力模型,以使卷积神经网络获得更强的特征表达能力,但这也不可避免地增加了模型的复杂性.为了在性能和复杂度间取得平衡,对CBAM模型进行优化提出了轻量级的EAM(Efficient Attention Module)模型.针对CBAM的通道注意力模块,引入一维卷积替代全连接层来聚合各通道间的信息;对于CBAM的空间注意力模块,将大卷积核替换为空洞卷积来增加感受野以聚合更广的空间上下文信息.将该模型融入YOLOv4后在VOC2012数据集上进行测试,mAP提高3.48个百分点.实验结果表明,该注意力模型只引入较小的参数量,网络性能可获得较大提升.

关键词：卷积神经网络;注意力机制;目标检测

所属期刊栏目：57

分类号：TP391.4(计算技术、计算机技术)

在线出版日期：2021-10-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：150-156