具有全局特征的空间注意力机制

为了获得卷积神经网络特征图中不同特征点之间的长距离依赖关系,使卷积神经网络更好地区分前景目标和背景信息,提出了一种具有全局特征的空间注意力机制.通过通道融合层将多通道的原始特征图组合成单通道的特征融合图,消除了通道间信息分布对获取空间注意力权重的影响;将特征融合图经过全局特征获取处理,获得能够反映特征融合图中某特征点与特征融合图中所有点之间相关性的全局特征图;全局特征图与初始值为0的可学习变量相乘,并且在通道域复制自身,扩展为原始特征图大小,将扩展后的全局特征图与原始特征图对应元素相加,获得具有注意力机制的特征图.在不同卷积神经网络中加入具有全局特征的空间注意力机制进行实验,结果表明:在脑电波二分类任务中,所提注意力机制的分类准确率最高提升了0.839％;在CIFAR-10数据集多分类任务中,所提注意力机制的分类准确率最高提升了0.484％;在夜间车辆单类别检测中,在交并比阈值大于0.5的平均精度评判标准下,所提注意力机制最高提升了3.860％,在交并比阈值大于0.75的平均精度评判标准下,所提注意力机制最高提升了11.726％;在voc2007数据集多类别检测中,在交并比阈值大于0.5的平均精度评判标准下,所提注意力机制最高提升了0.778％,在交并比阈值大于0.75的平均精度评判标准下,所提注意力机制最高提升了1.232％.