Interflow：利用注意力机制聚合多层特征映射

传统上，CNN 模型具有层次结构，并利用最后一层的特征映射获得预测输出。然而，确定最优网络深度并使中间层学习到具区分性的特征可能存在困难。本文提出专为传统 CNN 模型设计的 Interflow 算法。Interflow 依据深度将 CNN 划分为若干阶段，并利用各阶段中的特征映射进行预测。随后，我们将这些预测分支输入一个精心设计的注意力模块，该模块学习这些预测分支的权重，将其聚合并得到最终输出。Interflow 对浅层与深层中学习到的特征进行加权与融合，使各阶段的特征信息得到合理且有效的处理，令中间层学到更具区分性的特征，并增强模型的表征能力。此外，Interflow 可通过引入注意力机制缓解梯度消失问题、降低网络深度选择的难度，并减轻可能的过拟合问题。同时，它还能作为副产物避免网络退化。相较于原始模型，搭载 Interflow 的 CNN 模型在多个基准数据集上取得了更高的测试准确率。