검색 기능은 준비 중입니다.
검색 기능은 준비 중입니다.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

The Comparison of Attention Mechanisms with Different Embedding Modes for Performance Improvement of Fine-Grained Classification 미세 분류의 성능 향상을 위한 임베딩 모드에 따른 어텐션 메커니즘 비교 원문보기 KCI 원문보기 인용

Wujian YE, Run TAN, Yijun LIU, Chin-Chen CHANG

  • 조회수

    7

  • 이것을 인용

요약 :

세분화된 이미지 분류는 컴퓨터 비전의 주요 기본 작업 중 하나입니다. 어텐션 메커니즘과 결합된 전통적인 DCNN(Deep Convolutional Neural Network)의 출현은 세분화된 이미지의 부분 및 로컬 기능에 초점을 맞출 수 있지만 여전히 네트워크의 다양한 어텐션 모듈의 임베딩 모드에 대한 고려가 부족하여 분류 모델의 결과가 만족스럽지 않습니다. 위의 문제를 해결하기 위해 SE, CBAM 및 ECA 모듈을 포함하여 DCNN 네트워크(예: ResNet, VGGNet 등)에 세 가지 주의 메커니즘이 도입되어 DCNN이 이미지에서 돌출 영역의 주요 로컬 기능에 더 잘 집중할 수 있습니다. 동시에 우리는 분류 모델의 성능을 더욱 향상시키기 위해 직렬, 잔차 및 병렬 모드를 포함하여 어텐션 모듈의 세 가지 임베딩 모드를 채택합니다. 실험 결과는 세 가지 임베딩 모드와 결합된 세 가지 어텐션 모듈이 DCNN 네트워크의 성능을 효과적으로 향상시킬 수 있음을 보여줍니다. 또한 SE 및 ECA에 비해 CBAM은 특징 추출 기능이 더 강합니다. 그 중 병렬로 내장된 CBAM은 DCNN이 주목하는 로컬 정보를 더 풍부하고 정확하게 만들 수 있으며, CUB-1.98-1.57 데이터 세트의 원래 VGG16 및 Resnet34보다 각각 200% 및 2011% 더 높은 DCNN에 대한 최적의 효과를 가져올 수 있습니다. 시각화 분석은 또한 어텐션 모듈이 DCNN 네트워크에 쉽게 내장될 수 있음을 나타냅니다. 특히 병렬 모드에서 일반성과 보편성이 더 강합니다.

발행
IEICE TRANSACTIONS on Information Vol.E106-D No.5 pp.590-600
발행일
2023/05/01
공개일
2021/12/22
온라인 ISSN
1745-1361
DOI
10.1587/transinf.2022DLP0006
원고의 종류
Special Section PAPER (Special Section on Deep Learning Technologies: Architecture, Optimization, Techniques, and Applications)
범주
핵심 방법

작성자

Wujian YE
  Guangdong University of Technology
Run TAN
  Guangdong University of Technology
Yijun LIU
  Guangdong University of Technology
Chin-Chen CHANG
  Feng Chia University

키워드