論文の概要: Parameter-Free Channel Attention for Image Classification and Super-Resolution

• arxiv url: http://arxiv.org/abs/2303.11055v1
• Date: Mon, 20 Mar 2023 12:08:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-21 15:47:57.166792
• Title: Parameter-Free Channel Attention for Image Classification and Super-Resolution
• Title（参考訳）: パラメータフリーチャンネルアテンションによる画像分類と超解像
• Authors: Yuxuan Shi, Lingxiao Yang, Wangpeng An, Xiantong Zhen, Liuqing Wang
• Abstract要約: チャネルアテンション機構は、画像処理タスクのパフォーマンスを高めるために、ディープ畳み込みニューラルネットワークで広く用いられている有用な技術である。 私たちはaを提案します。 Free Channel Attention (PFCA)モジュールは、人気のある画像分類と画像超解像ネットワークの性能を高める。 CIFAR-100, ImageNet, DIV2K による実験により,我々の PFCA モジュールは画像分類における ResNet の性能を改善し,画像超解像タスクにおける MSRResNet の性能を向上させることを確認した。
• 参考スコア（独自算出の注目度）: 31.428547682263947
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The channel attention mechanism is a useful technique widely employed in deep convolutional neural networks to boost the performance for image processing tasks, eg, image classification and image super-resolution. It is usually designed as a parameterized sub-network and embedded into the convolutional layers of the network to learn more powerful feature representations. However, current channel attention induces more parameters and therefore leads to higher computational costs. To deal with this issue, in this work, we propose a Parameter-Free Channel Attention (PFCA) module to boost the performance of popular image classification and image super-resolution networks, but completely sweep out the parameter growth of channel attention. Experiments on CIFAR-100, ImageNet, and DIV2K validate that our PFCA module improves the performance of ResNet on image classification and improves the performance of MSRResNet on image super-resolution tasks, respectively, while bringing little growth of parameters and FLOPs.
• Abstract（参考訳）: チャネルアテンション機構は、深層畳み込みニューラルネットワークで広く用いられている有用な技術であり、画像処理タスク、例えば、画像分類、画像超解像の性能を高める。 通常、パラメータ化されたサブネットワークとして設計され、ネットワークの畳み込み層に埋め込まれ、より強力な特徴表現を学ぶ。 しかし、現在のチャンネルの注意はより多くのパラメータを誘導するので、計算コストが高くなる。 この問題に対処するため,パラメータフリーチャネルアテンション(PFCA)モジュールを提案し,画像分類と画像超解像ネットワークの性能を向上させるが,チャネルアテンションのパラメータ成長を完全に網羅する。 CIFAR-100, ImageNet, DIV2K での実験では,我々の PFCA モジュールは画像分類における ResNet の性能を向上し,画像超解像タスクにおける MSRResNet の性能を向上し,パラメータや FLOP がほとんど増加しない。

関連論文リスト

• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• Swift Parameter-free Attention Network for Efficient Super-Resolution [8.365929625909509]
  シングルイメージ超解像は、低レベルのコンピュータビジョンにおいて重要な課題である。 Swiftを提案します。 パラメータカウント、推論速度、画像品質のバランスをとるパラメータフリーアテンションネットワーク(SPAN)。 複数のベンチマークでSPANを評価し,画像品質と推論速度の両面で既存の高効率超解像モデルより優れていることを示した。
  論文  参考訳（メタデータ） (2023-11-21T18:30:40Z)
• Spatially-Adaptive Feature Modulation for Efficient Image Super-Resolution [90.16462805389943]
  視覚変換器(ViT)のようなブロック上に,空間適応型特徴変調(SAFM)機構を開発する。 提案法は最先端のSR法よりも3倍程度小さい。
  論文  参考訳（メタデータ） (2023-02-27T14:19:31Z)
• Efficient Image Super-Resolution using Vast-Receptive-Field Attention [49.87316814164699]
  注意機構は、高度な超解像(SR)ネットワークの設計において重要な役割を果たす。 本研究では,アテンション機構の改善により,効率的なSRネットワークを設計する。 VAst-receptive-field Pixel attention networkであるVapSRを提案する。
  論文  参考訳（メタデータ） (2022-10-12T07:01:00Z)
• Image Super-resolution with An Enhanced Group Convolutional Neural Network [102.2483249598621]
  学習能力の強いCNNは、超解像問題を解くために広く選択されている。 浅層構造を持つ超解像群CNN(ESRGCNN)を提案する。 ESRGCNNは、SISRの性能、複雑さ、実行速度、画質評価およびSISRの視覚効果の観点から、最先端技術を上回っていると報告されている。
  論文  参考訳（メタデータ） (2022-05-29T00:34:25Z)
• Lightweight Image Enhancement Network for Mobile Devices Using Self-Feature Extraction and Dense Modulation [0.9911248259437542]
  低解像度の入力画像から細部、テクスチャ、構造情報を復元するために、軽量画像強調ネットワークを提案する。 提案するネットワークは,低画質画像から変調パラメータを生成する自己特徴抽出モジュールを含む。 実験結果は,定量評価と定性評価の両方の観点から,既存手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-05-02T12:35:08Z)
• Hybrid Pixel-Unshuffled Network for Lightweight Image Super-Resolution [64.54162195322246]
  畳み込みニューラルネットワーク(CNN)は画像超解像(SR)において大きな成功を収めた ほとんどのディープCNNベースのSRモデルは、高い性能を得るために大量の計算を処理している。 SRタスクに効率的かつ効果的なダウンサンプリングモジュールを導入することで,HPUN(Hybrid Pixel-Unshuffled Network)を提案する。
  論文  参考訳（メタデータ） (2022-03-16T20:10:41Z)
• Deep Networks for Image and Video Super-Resolution [30.75380029218373]
  単一画像超解像(SISR)は、MDCB(Mixed-Dense connection block)と呼ばれる効率的な畳み込みユニットを用いて構築される。 ネットワークの2つのバージョンをトレーニングし、異なる損失構成を用いて相補的な画像品質を向上させる。 ネットワークは複数のフレームから情報を集約し,時間的整合性を維持するために学習する。
  論文  参考訳（メタデータ） (2022-01-28T09:15:21Z)
• Asymmetric CNN for image super-resolution [102.96131810686231]
  深層畳み込みニューラルネットワーク(CNN)は、過去5年間で低レベルビジョンに広く適用されています。 画像超解像のための非対称ブロック(AB)、mem?ory拡張ブロック(MEB)、高周波数特徴強調ブロック(HFFEB)からなる非対称CNN(ACNet)を提案する。 我々のACNetは、ブラインドノイズの単一画像超解像(SISR)、ブラインドSISR、ブラインドSISRを効果的に処理できる。
  論文  参考訳（メタデータ） (2021-03-25T07:10:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。