从化网站建设方案,wordpress微信订阅号,怎样登录韵网网站,如何建立自己的微信小程序论文《ResNeSt: Split-Attention Networks》
1、作用
ResNeSt提出了一种新的模块化分裂注意力#xff08;Split-Attention#xff09;块#xff0c;通过在特征图组间实现注意力机制。通过堆叠这些分裂注意力块#xff0c;以ResNet风格构建#xff0c;形成了新的ResNet变…论文《ResNeSt: Split-Attention Networks》
1、作用
ResNeSt提出了一种新的模块化分裂注意力Split-Attention块通过在特征图组间实现注意力机制。通过堆叠这些分裂注意力块以ResNet风格构建形成了新的ResNet变体即ResNeSt。该网络保留了整体的ResNet结构便于在不增加额外计算成本的情况下直接用于下游任务。
2、机制
1、ResNeSt通过分裂注意力块对特征图组进行处理使得每个组的特征表示通过其子组的加权组合得到权重基于全局上下文信息。这种方法有效地增强了跨通道信息的交互从而获得更丰富的特征表示。
2、分裂注意力块包括特征图分组和分裂注意力两个操作。首先将输入特征图分为多个组卡片然后在每个卡片内进一步细分为若干子组基数通过学习得到的权重对这些子组进行加权和以获得每个卡片的表示最后将所有卡片的表示合并起来形成块的输出。
3、独特优势
1、ResNeSt在不增加额外计算成本的前提下显著提高了模型的性能。例如ResNeSt-50在ImageNet上达到了81.13%的顶级1准确率比以前最好的ResNet变体提高了1%以上。这一改进也有助于下游任务包括目标检测、实例分割和语义分割。
2、通过简单替换ResNet-50背骨为ResNeSt-50即可在MS-COCO上将Faster-RCNN的mAP从39.3%提高到42.3%并将ADE20K上DeeplabV3的mIoU从42.1%提高到45.1% 。
4、代码
import torch
from torch import nn
import torch.nn.functional as F# 用于调整数值使其可以被某个除数整除常用于网络层中通道数的设置。
def make_divisible(v, divisor8, min_valueNone, round_limit.9):min_value min_value or divisornew_v max(min_value, int(v divisor / 2) // divisor * divisor)# 确保减小的百分比不超过一定的比例round_limitif new_v round_limit * v:new_v divisorreturn new_v# Radix Softmax用于处理分组特征的归一化
class RadixSoftmax(nn.Module):def __init__(self, radix, cardinality):super().__init__()self.radix radixself.cardinality cardinalitydef forward(self, x):batch x.size(0)# 根据radix是否大于1来决定使用softmax还是sigmoid进行归一化if self.radix 1:x x.view(batch, self.cardinality, self.radix, -1).transpose(1, 2)x F.softmax(x, dim1)x x.reshape(batch, -1)else:x x.sigmoid()return x# SplitAttn模块实现分裂注意力机制
class SplitAttn(nn.Module):def __init__(self, in_channels, out_channelsNone, kernel_size3, stride1, paddingNone,dilation1, groups1, biasFalse, radix2, rd_ratio0.25, rd_channelsNone, rd_divisor8,act_layernn.ReLU, norm_layerNone, drop_blockNone, **kwargs):super(SplitAttn, self).__init__()out_channels out_channels or in_channelsself.radix radixself.drop_block drop_blockmid_chs out_channels * radix# 根据输入通道数、radix和rd_ratio计算注意力机制的中间层通道数if rd_channels is None:attn_chs make_divisible(in_channels * radix * rd_ratio, min_value32, divisorrd_divisor)else:attn_chs rd_channels * radixpadding kernel_size // 2 if padding is None else padding# 核心卷积层self.conv nn.Conv2d(in_channels, mid_chs, kernel_size, stride, padding, dilation,groupsgroups * radix, biasbias, **kwargs)# 后续层以及RadixSoftmaxself.bn0 norm_layer(mid_chs) if norm_layer else nn.Identity()self.act0 act_layer()self.fc1 nn.Conv2d(out_channels, attn_chs, 1, groupsgroups)self.bn1 norm_layer(attn_chs) if norm_layer else nn.Identity()self.act1 act_layer()self.fc2 nn.Conv2d(attn_chs, mid_chs, 1, groupsgroups)self.rsoftmax RadixSoftmax(radix, groups)def forward(self, x):# 卷积和激活x self.conv(x)x self.bn0(x)if self.drop_block is not None:x self.drop_block(x)x self.act0(x)# 计算分裂注意力B, RC, H, W x.shapeif self.radix 1:# 对特征进行重组和聚合x x.reshape((B, self.radix, RC // self.radix, H, W))x_gap x.sum(dim1)else:x_gap x# 全局平均池化和两层全连接网络应用RadixSoftmaxx_gap x_gap.mean(2, keepdimsTrue).mean(3, keepdimsTrue)x_gap self.fc1(x_gap)x_gap self.bn1(x_gap)x_gap self.act1(x_gap)x_attn self.fc2(x_gap)x_attn self.rsoftmax(x_attn).view(B, -1, 1, 1)if self.radix 1:out (x * x_attn.reshape((B, self.radix, RC // self.radix, 1, 1))).sum(dim1)else:out x * x_attnreturn out# 输入 N C H W, 输出 N C H W
if __name__ __main__:block SplitAttn(64)input torch.rand(1, 64, 64, 64)output block(input)print(output.shape)
