文章详情

短信预约-IT技能 免费直播动态提醒

请输入下面的图形验证码

提交验证

短信预约提醒成功

改进版ASPP:ASPP加入通道注意力机制(SENET),即SE_ASPP

2023-10-03 16:38

关注

1、ASPP模型结构

ASPP结构
空洞空间卷积池化金字塔(atrous spatial pyramid pooling (ASPP))通过对于输入的特征以不同的采样率进行采样,即从不同尺度提取输入特征,然后将所获取的特征进行融合,得到最终的特征提取结果。

2、SENET结构

SENET结构
通道注意力机制(SENET)将尺度为HXWXC尺度大小的特征图通过全局平均池化进行压缩,只保留通道尺度上的大小C,即转换为1X1XC,之后再进行压缩,relu与还原,最后使用simoid进行激活,将各个通道的值转化为0~1范围内,相当于将各个通道的特征转换为权重值。
SENET代码如下:

import torchimport torch.nn as nnimport torch.nn.functional as F# tensor=torch.ones(size=(2,1280,32,32))# print(tensor)class SE_Block(nn.Module):                         # Squeeze-and-Excitation block    def __init__(self, in_planes):        super(SE_Block, self).__init__()        self.avgpool = nn.AdaptiveAvgPool2d((1, 1))        self.conv1 = nn.Conv2d(in_planes, in_planes // 16, kernel_size=1)        self.relu = nn.ReLU()        self.conv2 = nn.Conv2d(in_planes // 16, in_planes, kernel_size=1)        self.sigmoid = nn.Sigmoid()    def forward(self, x):        x = self.avgpool(x)        x = self.conv1(x)        x = self.relu(x)        x = self.conv2(x)        out = self.sigmoid(x)        return out

(如果要直接使用下面的SE_ASPP改进代码,建议将这块代码新建py文件保存,然后在SE_ASPP所在python中导入SE_Block类)

3、改进ASPP:SE_ASPP结构

基于deeplabv3+中的ASPP改进
即把SENET产生的权重值与原本输入的各个特征进行相乘,作为输入特征。代码如下

class SE_ASPP(nn.Module):                       ##加入通道注意力机制    def __init__(self, dim_in, dim_out, rate=1, bn_mom=0.1):        super(SE_ASPP, self).__init__()        self.branch1 = nn.Sequential(            nn.Conv2d(dim_in, dim_out, 1, 1, padding=0, dilation=rate, bias=True),            nn.BatchNorm2d(dim_out, momentum=bn_mom),            nn.ReLU(inplace=True),        )        self.branch2 = nn.Sequential(            nn.Conv2d(dim_in, dim_out, 3, 1, padding=6 * rate, dilation=6 * rate, bias=True),            nn.BatchNorm2d(dim_out, momentum=bn_mom),            nn.ReLU(inplace=True),        )        self.branch3 = nn.Sequential(            nn.Conv2d(dim_in, dim_out, 3, 1, padding=12 * rate, dilation=12 * rate, bias=True),            nn.BatchNorm2d(dim_out, momentum=bn_mom),            nn.ReLU(inplace=True),        )        self.branch4 = nn.Sequential(            nn.Conv2d(dim_in, dim_out, 3, 1, padding=18 * rate, dilation=18 * rate, bias=True),            nn.BatchNorm2d(dim_out, momentum=bn_mom),            nn.ReLU(inplace=True),        )        self.branch5_conv = nn.Conv2d(dim_in, dim_out, 1, 1, 0, bias=True)        self.branch5_bn = nn.BatchNorm2d(dim_out, momentum=bn_mom)        self.branch5_relu = nn.ReLU(inplace=True)        self.conv_cat = nn.Sequential(            nn.Conv2d(dim_out * 5, dim_out, 1, 1, padding=0, bias=True),            nn.BatchNorm2d(dim_out, momentum=bn_mom),            nn.ReLU(inplace=True),        )        # print('dim_in:',dim_in)        # print('dim_out:',dim_out)        self.senet=SE_Block(in_planes=dim_out*5)    def forward(self, x):        [b, c, row, col] = x.size()        conv1x1 = self.branch1(x)        conv3x3_1 = self.branch2(x)        conv3x3_2 = self.branch3(x)        conv3x3_3 = self.branch4(x)        global_feature = torch.mean(x, 2, True)        global_feature = torch.mean(global_feature, 3, True)        global_feature = self.branch5_conv(global_feature)        global_feature = self.branch5_bn(global_feature)        global_feature = self.branch5_relu(global_feature)        global_feature = F.interpolate(global_feature, (row, col), None, 'bilinear', True)        feature_cat = torch.cat([conv1x1, conv3x3_1, conv3x3_2, conv3x3_3, global_feature], dim=1)        # print('feature:',feature_cat.shape)        seaspp1=self.senet(feature_cat)             #加入通道注意力机制        # print('seaspp1:',seaspp1.shape)        se_feature_cat=seaspp1*feature_cat        result = self.conv_cat(se_feature_cat)        # print('result:',result.shape)        return result

Reference

[1].Y. Sun, Y. Yang, G. Yao, F. Wei and M. Wong, “Autonomous Crack and Bughole Detection for Concrete Surface Image Based on Deep Learning,” in IEEE Access, vol. 9, pp. 85709-85720, 2021, doi: 10.1109/ACCESS.2021.3088292.
[2].J. Hu, L. Shen and G. Sun, “Squeeze-and-Excitation Networks,” 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2018, pp. 7132-7141, doi: 10.1109/CVPR.2018.00745.

来源地址:https://blog.csdn.net/qq_45014374/article/details/127507120

阅读原文内容投诉

免责声明:

① 本站未注明“稿件来源”的信息均来自网络整理。其文字、图片和音视频稿件的所属权归原作者所有。本站收集整理出于非商业性的教育和科研之目的,并不意味着本站赞同其观点或证实其内容的真实性。仅作为临时的测试数据,供内部测试之用。本站并未授权任何人以任何方式主动获取本站任何信息。

② 本站未注明“稿件来源”的临时测试数据将在测试完成后最终做删除处理。有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341

软考中级精品资料免费领

  • 历年真题答案解析
  • 备考技巧名师总结
  • 高频考点精准押题
  • 2024年上半年信息系统项目管理师第二批次真题及答案解析(完整版)

    难度     813人已做
    查看
  • 【考后总结】2024年5月26日信息系统项目管理师第2批次考情分析

    难度     354人已做
    查看
  • 【考后总结】2024年5月25日信息系统项目管理师第1批次考情分析

    难度     318人已做
    查看
  • 2024年上半年软考高项第一、二批次真题考点汇总(完整版)

    难度     435人已做
    查看
  • 2024年上半年系统架构设计师考试综合知识真题

    难度     224人已做
    查看

相关文章

发现更多好内容

猜你喜欢

AI推送时光机
位置:首页-资讯-后端开发
咦!没有更多了?去看看其它编程学习网 内容吧
首页课程
资料下载
问答资讯