标签：rgba 策略 时间 提取 image 感受 融合 ado network
最近找了十几篇神经网络注意力机制的论文大概读了一下。这篇博客记录一下其中一篇，这篇论文大概只看了摘要，方法，实验只是大概看了一下。文中提出一种残差级联卷积神经网络，这个网络可以分为俩部分，一种是CF-Conv(coarse-fine convolution)此结构利用了多种卷积在网络中是用来提取图像特征，并且将图像融合来获得更多的特征，一种是SCNAU(spatial-channel noise attention unit)，此结构由空间通道注意力机制组成，能从固定模式噪声中分离背景细节，来补充上面提取特征所缺少的一些细节。因为FPN(fixed pattern noise reduction)由gain noise和offset noisee组成，因而单个CNN模型可能会造成细节缺失。论文使用将上面俩种结构CF-Conv和SCNAU组合形成feature extraction blocks(FEBs)，分别使用五个FEBs和一个1X1的卷积层来组成gain noise reduction subnetwork和offset noise reduction network，这俩种子网络分别用来消去不同的噪声。
CF-Conv，Coarse-fine convolution unit，我们需要大尺寸的上下文信息，上下文信息越多表明要使用的感受野越大越好，但是不能直接增大卷积核，那样只会增加计算时间和内存消耗。这个结构使用了三种卷积方式，一种是空洞卷积(dilation convolution)，一种是子像素卷积(sub-pixel convolution)，这俩种卷积分别用来提取粗粒度特征和细粒度特征，还有一种就是标准卷积，空洞卷积留下的盲点由标准卷积来补全的。所有卷积输出都使用ReLU激活函数。之后使用concatenation将上述三个通道全部图链接在一起，比如第一个是32通道，第二个是64通道，第三个是32通道，那么concatenation就是128通道，之后再用标准卷积将之64通道。
CF-Conv具体结构如下表格表示出来，其中的卷积大小都是3X3的。
SCNAU，上述CNN可以提取图片的特征，但是背景细节上会有所缺失，文中采用的是空间通道注意力组成了SCNAU，这是有三部分组成的，spatial branch、trunk branch和channel branch。spatial branch完全堆积卷积操作来提取空间上的特征，channel branch使用全局池化将之变成通道向量，之后使用全连接操作得出所有的关系。
SCNAU具体结构如下表格表示出来，
其中网络整体结构如下所示，采用了俩个子网络的结构来组成整体网络。
具体网络框架表示如下所示
这篇文章是想通过大的感受野来提取出更好的上下文信息，文中对此的策略就是多卷积来提取出不同的尺度的上下文信息，之后将之整合获取更多的特征信息，有了这些之后，再补上关键的背景信息就能完善全部结构。
标签：rgba 策略 时间 提取 image 感受 融合 ado network
原文地址：https://www.cnblogs.com/mary1/p/13246519.html
