SENetV2: Aggregated dense layer for channelwise and global representations

水准点(测量) 计算机科学 卷积神经网络 模式识别(心理学) 残余物 人工智能 感知器 特征(语言学) 代表(政治) 图层(电子) 图像(数学) 特征学习 人工神经网络 数据挖掘 算法 地理 法学 哲学 化学 有机化学 政治 语言学 政治学 大地测量学
作者
Manoj Narayanan
出处
期刊:Cornell University - arXiv
标识
DOI:10.48550/arxiv.2311.10807
摘要

Convolutional Neural Networks (CNNs) have revolutionized image classification by extracting spatial features and enabling state-of-the-art accuracy in vision-based tasks. The squeeze and excitation network proposed module gathers channelwise representations of the input. Multilayer perceptrons (MLP) learn global representation from the data and in most image classification models used to learn extracted features of the image. In this paper, we introduce a novel aggregated multilayer perceptron, a multi-branch dense layer, within the Squeeze excitation residual module designed to surpass the performance of existing architectures. Our approach leverages a combination of squeeze excitation network module with dense layers. This fusion enhances the network's ability to capture channel-wise patterns and have global knowledge, leading to a better feature representation. This proposed model has a negligible increase in parameters when compared to SENet. We conduct extensive experiments on benchmark datasets to validate the model and compare them with established architectures. Experimental results demonstrate a remarkable increase in the classification accuracy of the proposed model.
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
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
聚乙烯发布了新的文献求助10
刚刚
江夏发布了新的文献求助10
刚刚
苏尔琳诺完成签到,获得积分10
1秒前
笨笨西装发布了新的文献求助10
2秒前
Only发布了新的文献求助10
2秒前
3秒前
psybrain9527完成签到,获得积分10
3秒前
abcdefg完成签到,获得积分10
3秒前
科研通AI2S应助有情皆苦采纳,获得10
4秒前
思源应助有情皆苦采纳,获得10
4秒前
Akim应助落寞的问枫采纳,获得10
4秒前
斯文败类应助橙橙妈妈采纳,获得10
5秒前
5秒前
崔大胖发布了新的文献求助10
5秒前
可乐应助kerio采纳,获得10
5秒前
6秒前
范久久发布了新的文献求助10
9秒前
asdfghjkl发布了新的文献求助10
9秒前
科研小崩豆完成签到,获得积分20
10秒前
10秒前
搜集达人应助沸点采纳,获得10
11秒前
12秒前
酷波er应助臭猪采纳,获得10
12秒前
14秒前
打打应助明亮无颜采纳,获得10
14秒前
EMI发布了新的文献求助10
14秒前
16秒前
haonanchen发布了新的文献求助10
17秒前
17秒前
lai发布了新的文献求助10
17秒前
课呢完成签到,获得积分10
17秒前
葵稚完成签到,获得积分10
17秒前
18秒前
邹冰洁应助范久久采纳,获得10
18秒前
大熊完成签到,获得积分10
18秒前
21秒前
21秒前
大龙哥886发布了新的文献求助10
22秒前
23秒前
Only发布了新的文献求助10
23秒前
高分求助中
Sustainability in Tides Chemistry 2000
Microlepidoptera Palaearctica, Volumes 1 and 3 - 13 (12-Volume Set) [German] 1122
Дружба 友好报 (1957-1958) 1000
The Data Economy: Tools and Applications 1000
A Dissection Guide & Atlas to the Rabbit 600
中国心血管健康与疾病报告2023(要完整的报告) 500
Development of a new synthetic process for the synthesis of (S)-methadone and (S)- and (R)-isomethadone as NMDA receptor antagonists for the treatment of depression 500
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 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3102795
求助须知:如何正确求助?哪些是违规求助? 2754032
关于积分的说明 7626280
捐赠科研通 2406879
什么是DOI,文献DOI怎么找? 1277068
科研通“疑难数据库(出版商)”最低求助积分说明 617041
版权声明 599103