![](https://csdnimg.cn/release/download_crawler_static/87192092/bg5.jpg)
一 是 结 合 分 散 注 意 力 的 双 线 性 聚 合 残 差 网 络 ( bilinear aggregate residual
network,BARN);二是互通道注意力模块(MCA)。如图 2 所示。
图 2
图 2 双线性聚合残差注意力网络架构
Fig.2 Bilinear aggregate residual attention network
具 体 而 言 ,首 先 采 用 两 个 ResneXt29 网 络 分 别 替 换 原 B-CNN 模 型 中 的
VGG16-D 与 VGG16-M,作为图像的特征提取器,使其设计成一种新颖的双线性
聚合残差网络(BARN),来完成卷积特征的深度提取;然后为双线性聚合残差
网络(ResneXt29×2)中的每一个聚合转换残差子模 块 嵌入分散注意力模块
(SA),整合跨维度的特征通道之间的权重信息,进一步强化整个网络的表征依
赖性;最后对两个聚合残差网络分支提取的特征进行多维度的融合操作,得到加
权融合后的特征通道图(feature channels map,FCM),使其更加完整性地传递
给互通道注意力模块(MCA),来强制每一维度的特征通道按照类别进行划分,
使得属于同一类别下的特征更具有判别力,并约束同一类别的特征在空间维度
上更加互斥,即关注多样化且具有差异性的细节。通过以上双重注意力过滤捕
获策略,能够促使模型学习到更加全面的图像表征知识。
2.2 嵌入分 散 注 意 力模 块