ResNeSt：拆分注意力网络
计算机视觉与模式识别
2021-01-01 v2
摘要
众所周知，特征图注意力与多路径表示对视觉识别十分重要。本文中，我们提出一种模块化架构，其在不同网络分支上施加通道注意力，以借助它们在捕获跨特征交互与学习多样表示方面的成功。我们的设计产生了一个简单且统一的计算块，仅用少量变量即可参数化。我们的模型名为 ResNeSt，在图像分类的精度与延迟权衡上优于 EfficientNet。此外，ResNeSt 作为骨干网络在多个公开基准上取得了优异的迁移学习结果，并被 COCO-LVIS 挑战赛的获胜方案所采用。完整系统与预训练模型的源代码已公开可用。
引用
@article{arxiv.2004.08955,
title = {ResNeSt: Split-Attention Networks},
author = {Hang Zhang and Chongruo Wu and Zhongyue Zhang and Yi Zhu and Haibin Lin and Zhi Zhang and Yue Sun and Tong He and Jonas Mueller and R. Manmatha and Mu Li and Alexander Smola},
journal= {arXiv preprint arXiv:2004.08955},
year = {2021}
}