随机区域池化：增强注意力的表达性
计算机视觉与模式识别
2019-04-23 v1
摘要
全局平均池化(GAP)在通道注意力机制中被默认用于提取通道描述子。然而，GAP简单的全局聚合方式容易使通道描述子具有同质性，削弱了特征图之间的细节区分，从而影响注意力机制的性能。本工作中，我们提出一种用于通道注意力网络的新方法，称为随机区域池化(SRP)，它通过鼓励特征图具有更多或更宽的重要特征响应，使通道描述子更具代表性和多样性。此外，SRP是一种无需任何额外参数或计算的注意力机制通用方法，可在不修改网络结构的情况下广泛应用于注意力网络。在图像识别数据集包括CIFAR-10/100、ImageNet和三个细粒度数据集(CUB-200-2011、Stanford Cars和Stanford Dogs)上的实验结果表明，SRP在高效CNNs上带来了显著的性能提升，并取得了最先进(state-of-the-art)的结果。
引用
@article{arxiv.1904.09853,
title = {Stochastic Region Pooling: Make Attention More Expressive},
author = {Mingnan Luo and Guihua Wen and Yang Hu and Dan Dai and Yingxue Xu},
journal= {arXiv preprint arXiv:1904.09853},
year = {2019}
}