Dilated-CBAM: An Efficient Attention Network with Dilated Convolution

卷积(计算机科学) 计算机科学 残余物 人工智能 背景(考古学) 任务(项目管理) 模式识别(心理学) 图像(数学) 路径(计算) 计算机视觉 人工神经网络 算法 工程类 古生物学 程序设计语言 系统工程 生物
作者
Junyan Yang,Jie Jiang
标识
DOI:10.1109/icus52573.2021.9641248
摘要

In computer vision field, image classification as a basic image processing task has been widely concerned. This paper puts forward an efficient attention network with dilated convolution named Dilated-CBAM for image classification. The dilated convolution is applied in the backbone of the residual network to extract the residual edge path features and integrate the global information of the processed image. The amount of network parameters is greatly reduced while the receptive field is expanded, and the network parameters are learnable. By embedding our spatial attention mechanism and channel attention mechanism, the model uses FCN to strengthen the effective information in the image, weaken the invalid information, and summarize the local features of the processed image. Combining the global information and local information, the time and space for network training are saved, while the effective image features can be extracted better. In the design of attention module, this work innovatively applies residual path in attention module for combining context information inside attention mechanism without adding parameters, and helps attention module extract features of interest in image classification task more accurately. In image classification, experiment, we verify the classification effect of the Dilated-CBAM model on Cifar-10 dataset, which is 2.5% higher than ResNet-18, and reaches the classification accuracy of 93.5%. In terms of the efficiency of network training, the Dilated-CBAM reduces the number of training epochs to about 10 on the basis of CBAM model, shortens the training time to about half of the original, which greatly testifies the training efficiency.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI

祝大家在新的一年里科研腾飞
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
7秒前
木雷发布了新的文献求助10
11秒前
无奈曼云完成签到,获得积分10
16秒前
19秒前
gujianhua发布了新的文献求助10
22秒前
26秒前
sxy发布了新的文献求助10
29秒前
abc完成签到 ,获得积分10
34秒前
制冷剂完成签到 ,获得积分10
40秒前
shuang完成签到 ,获得积分10
46秒前
lili关注了科研通微信公众号
48秒前
小鑫完成签到,获得积分10
50秒前
56秒前
zhaoyuqing完成签到 ,获得积分10
1分钟前
kinase完成签到 ,获得积分10
1分钟前
阿托伐他汀完成签到 ,获得积分10
1分钟前
lllllll完成签到,获得积分10
1分钟前
爆米花应助明某到此一游采纳,获得10
1分钟前
所所应助我爱自由民权采纳,获得10
1分钟前
1分钟前
1分钟前
RYu发布了新的文献求助10
1分钟前
李大白完成签到 ,获得积分10
1分钟前
1分钟前
在水一方应助呼延仇天采纳,获得10
1分钟前
1分钟前
我是老大应助科研通管家采纳,获得10
1分钟前
脑洞疼应助科研通管家采纳,获得10
1分钟前
隐形曼青应助科研通管家采纳,获得10
1分钟前
1分钟前
安静幻枫应助科研通管家采纳,获得30
1分钟前
丘比特应助科研通管家采纳,获得10
1分钟前
852应助科研通管家采纳,获得10
1分钟前
彭于晏应助科研通管家采纳,获得10
1分钟前
zho应助科研通管家采纳,获得10
1分钟前
今后应助科研通管家采纳,获得10
1分钟前
田様应助科研通管家采纳,获得10
1分钟前
lani完成签到 ,获得积分10
1分钟前
霉小欧完成签到,获得积分10
1分钟前
王小裔完成签到 ,获得积分10
1分钟前
高分求助中
Востребованный временем 2500
Production Logging: Theoretical and Interpretive Elements 2000
Agaricales of New Zealand 1: Pluteaceae - Entolomataceae 1500
Early Devonian echinoderms from Victoria (Rhombifera, Blastoidea and Ophiocistioidea) 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 1000
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 1000
Metal Additive Manufacturing for Propulsion Applications 600
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 物理化学 催化作用 细胞生物学 免疫学 冶金
热门帖子
关注 科研通微信公众号,转发送积分 3368000
求助须知:如何正确求助?哪些是违规求助? 2987295
关于积分的说明 8726961
捐赠科研通 2669894
什么是DOI,文献DOI怎么找? 1462589
科研通“疑难数据库(出版商)”最低求助积分说明 676861
邀请新用户注册赠送积分活动 668064