SENetV2：用于通道与全局表示的聚合稠密层
计算机视觉与模式识别
2023-11-21 v1 人工智能
摘要
卷积神经网络（CNNs）通过提取空间特征并在基于视觉的任务中实现最先进的准确率，彻底改变了图像分类。所提出的压缩激励网络（SENet）模块收集输入的通道级表示。多层感知机（MLP）从数据中学习全局表示，且在多数图像分类模型中用于学习图像提取特征。本文中，我们在压缩激励残差模块内引入一种新颖的聚合多层感知机，即多分支稠密层，旨在超越现有架构的性能。我们的方法结合了压缩激励网络模块与稠密层。该融合增强了网络捕获通道级模式并具备全局知识的能力，从而获得更好的特征表示。与 SENet 相比，所提模型的参数量仅微幅增加。我们在基准数据集上进行了大量实验以验证模型并与既有架构比较。实验结果表明所提模型的分类准确率显著提升。
引用
@article{arxiv.2311.10807,
title = {SENetV2: Aggregated dense layer for channelwise and global representations},
author = {Mahendran Narayanan},
journal= {arXiv preprint arXiv:2311.10807},
year = {2023}
}
备注
WACV 2024 (Rejected)