RFAConv：用于改进卷积神经网络的感受野注意力卷积
计算机视觉与模式识别
2026-03-03 v7
摘要
在深度学习领域，空间注意力机制已成为提升卷积神经网络性能的重要方法。然而，这些机制具有不可忽视的固有局限。本文深入探究空间注意力机制并揭示一新见解：该机制本质上解决了卷积参数共享问题。通过解决此问题，卷积核可在不同位置采用不同权重来高效提取特征。然而，当前空间注意力机制仅关注空间特征的浅层注意力，不足以解决涉及较大卷积核的卷积中参数共享的根本挑战。针对此挑战，我们引入一种称为感受野注意力（RFA）的新注意力机制。与现有空间注意力方法相比，RFA 不仅关注感受野空间特征，还为大型卷积核提供有效注意力权重。基于 RFA 概念，提出感受野注意力卷积（RFAConv）以取代传统标准卷积。值得注意的是，它在几乎可忽略地增加计算开销与参数的同时，显著提升了网络性能。此外，本工作揭示当前空间注意力机制需加强对感受野空间特征的优先关注以优化网络性能。为验证所提方法的优势，我们在包括 ImageNet、COCO、VOC 和 Roboflow 在内的多个权威数据集上进行了大量实验……
引用
@article{arxiv.2304.03198,
title = {RFAConv: Receptive-Field Attention Convolution for Improving Convolutional Neural Networks},
author = {Xin Zhang and Chen Liu and Degang Yang and Tingting Song and Yichen Ye and Ke Li and Yingze Song},
journal= {arXiv preprint arXiv:2304.03198},
year = {2026}
}