(Lightweight multi-scale aggregated residual attention networks for image super-resolution)阅读笔记
轻量级多尺度残差注意力网络
Lightweight multi-scale aggregated residual attention networks for image super-resolution
摘要:本文提出了轻量级多尺度聚合残差注意力网络,这可以提取多尺度特征和分层特征。主要包含三个部分:浅层特征提取,多尺度聚合残差注意力组(MARAGs),多维特征融合模块(MLFFB),重建模块。MARAGs产生分层特征和多尺度特征,结合了多尺度残差注意力机制的MLFFB聚合多维特征。
综述, 这些网络的缺点和未来的发展趋势。
上图介绍 作者所做的贡献
综述了轻量级网络结构和注意力机制。
上面介绍网络的整体结构图和具体的公式表示。
这里重点是中间的多级递归MARAGs(为了获得高维特征),由图可以看到MARAG是由四个MARAB模块组成,MARAGs是参数共享的MARAG。
这里重点介绍了MARAB模块。这个模块是由三个模块组成的大模块。由多尺度聚合模块(MSAB),残差通道注意力单元(RCAB),空间注意力单元,一个卷积层和一个跳跃连接
由此可知,作者这个多尺度聚合残差模块的来历。作者是结合了文献【2】中的瓶颈结构和多尺度融合提出了MARB。
这里重点介绍了MARB模块。没看懂这里的组卷积操作。这里说1*1卷积可以减少通道数量和跨通道连接。
局部残差学习。
上面介绍了两个注意力模块。残差通道注意力模块是在原始的通道注意力模块上加入残差。空间注意力机制是借鉴文献【15】中的结构。
上面介绍了两个模块的连接方式。
上面介绍了这样连接的好处。
多维特征融合模块。它有三个模块组成。
这里介绍了三种常见的损失函数。每种损失函数都有优缺点。
小结以下:读到这里,可以发现作者的思路了。作者使用多尺度,递归,注意力机制三种方法构建整体的网络结构。其中MARB(多尺度特征聚合)是重点。两种注意力机制是引用别人的。所以以后阅读别人论文的时候一定要做笔记,关键的时候引入别人的成果加以改进。
实验部分
通常在实验部分会交代这样几件事情。模型的各种参数的设置。消融实验,为了验证提出的模块的有效性。对比实验,验证模型的效果。
这篇论文实验部分很详细,可以仔细研究以下。
(Lightweight multi-scale aggregated residual attention networks for image super-resolution)阅读笔记相关推荐
- 论文笔记:EGAT: Edge Aggregated Graph Attention Networks and Transfer Learning
文章目录 论文概况 摘要 1 介绍 2 方法 2.1 特征表示 2.1.1 蛋白质的图表示 2.1.3 边特征表示 2.2 EGAT的结构 2.2.2 边缘聚合图关注层 2.2.3 预测概率 2.2. ...
- (CTC损失)Hybrid CTC/Attention Architecture for End-to-End Speech Recognition阅读笔记
ASR-R (CTC损失)Hybrid CTC/Attention Architecture for End-to-End Speech Recognition阅读笔记 文章目录 ASR-R (CTC ...
- CVPR 2020 HAN:《Hypergraph Attention Networks for Multimodal Learning》论文笔记
目录 简介 动机 贡献 方法 实验 简介 本文提出了一种用于多模态学习的超图注意力网络,作者来自Kakao公司和首尔大学. Kakao公司的主要产品是Kakao talk,类似于国内的微信,且腾讯是其 ...
- Recurrence along Depth: Deep Convolutional Neural Networks with Recurrent Layer Aggregation阅读笔记
RLA阅读笔记 (一) Title (二) Summary (三) Research Object (四) Problem Statement (五) Method 5.1 Layer Aggrega ...
- 论文笔记:EGAT: Edge Aggregated Graph Attention Networks and Transfer Learning Improve Protein-Protein In
文章目录 一.摘要 二.方法 (一).蛋白质图的表示 (二).节点级特征表示 (三).边级特征表示 (四). EGAT结构的主要特点 (五).边缘聚合图关注层 (六).在计算注意力分数时使用边缘特征 ...
- NIPS 2017 | Attention is all you need | Transformer 阅读笔记(部分翻译)
Attention is all you need Author Unit: Google Brain, Google Research, University of Toronto Authors: ...
- WWW2021 Interpreting and Unifying Graph Neural Networks with An Optimization Framework 阅读笔记
论文:interpreting and Unifying Graph Neural Networks with An Optimization Framework 代码: https://githu ...
- Deep Cropping via Attention Box Prediction and Aesthetics Assessment -阅读笔记
Deep Cropping via Attention Box Prediction and Aesthetics Assessment-通过注意力框预测和美学评估进行深度裁剪 摘要:我们将照片裁剪问 ...
- FeUdal Networks for Hierarchical Reinforcement Learning 阅读笔记
FeUdal Networks for Hierarchical Reinforcement Learning 标签(空格分隔): 论文笔记 增强学习算法 FeUdal Networks for Hi ...
最新文章
- qt试用1(Eclipse+cdt+Qt)
- LVS实现负载均衡及高可用
- 金审系统与SAP接口
- 解读2018年诺贝尔化学奖成果:用进化的力量解决化学问题
- pandas语法乱、API多?你需要整理一下!|知乎讨论
- python职业规划书_Python学习过后,职业规划怎样规划?
- 【Python基础入门系列】第03天:Python 变量与数据类型
- 面试官不讲武德,居然让我讲讲蠕虫和金丝雀!
- rman打开oracle归档日志,Oracle RAC中使用RMAN管理归档日志
- Java后端 + 百度SDK实现人脸识别
- 多核CPU缓存一致性协议MESI
- 安卓案例:基于HttpClient下载文本与图片
- java 并_java并发编程(一)
- 凑算式——第七届蓝桥杯C语言B组(省赛)第三题
- 74系列芯片功能大全
- pdf文件过大怎样压缩?pdf文件如何压缩到指定大小?
- hdu5020 Revenge of Collinearity 求三点共线的点对个数
- 微信小程序实现城市选择效果(超详细)
- JavaScript----与函数大战的207个回合(来日再战)
- 国内外44条视频测试标准
热门文章
- 生物信息学 陈铭_生物信息学Bioinformatics-山东大学课程中心.PDF
- linux 打开三维stl文件,stl文件扩展名,stl文件怎么打开?
- Redis如何实现多可用区?
- 八、在创业公司工作的心理历程
- AVR单片机开发2——流水灯及仿真
- MFC制作Windows画图程序(一)
- 喵懂区块链23期|9012年了,侧链还是一只又死又活的薛定谔猫?
- 学习笔记之MyEclipse里各个文件名前的小标记都代表的意思
- win 10卸载mysql_Windows 10系统下彻底删除卸载MySQL的方法教程
- 轻量级图像分类模型-MobileNetV3阅读笔记