引导自注意力：寻找用于晶粒度分级的广义必然不同向量
计算机视觉与模式识别
2026-02-12 v1
摘要
随着钢铁材料的发展，金相分析变得越来越重要。不幸的是，晶粒度分析是一个需要专家评估金相照片的手工过程，这既不可靠又耗时。为了解决这个问题，我们提出了一种基于深度学习的新型分类方法，即 GSNets，这是一系列混合模型，能够有效引入引导自注意力用于晶粒度分类。具体来说，我们从三个见解构建模型：(1) 引入我们新颖的引导自注意力模块可以帮助模型找到能够保留复杂关系连接和丰富局部特征信息的广义必然不同向量；(2) 通过提高特征图的像素级线性独立性，模型将捕获高度浓缩的语义表示；(3) 我们新颖的三流合并模块可以显著提高模型的泛化能力和效率。实验表明，我们的 GSNet 在包含 3599 张图像、14 个晶粒度级别的钢晶粒度数据集上取得了 90.1% 的分类准确率，比最先进的 Swin Transformer V2 高出 1.9%。此外，我们直观地认为我们的方法适用于更广泛的应用，如目标检测和语义分割。
引用
@article{arxiv.2410.05762,
title = {Guided Self-attention: Find the Generalized Necessarily Distinct Vectors for Grain Size Grading},
author = {Fang Gao and Xuetao Li and Jiabao Wang and Shengheng Ma and Jun Yu},
journal= {arXiv preprint arXiv:2410.05762},
year = {2026}
}