Double-pooling residual classification network based on feature reordering attention mechanism
Notice bibliographique
Résumé
目的针对残差图像分类网络中通道信息交互不充分导致通道特征没有得到有效利用，同时残差结构使部分特征信息丢失的问题，本文提出特征重排列注意力机制的双池化残差分类网络（double-pooling residual classification network of feature reordering attention mechanism，FDPRNet）。方法FDPRNet以ResNet-34 （residual network）残差网络为基础，首先将第1层卷积核尺寸从 7×7 <?fx-imagestate width="7.11199999" height="2.28600001"?> <?fx-imagestate width="7.11199999" height="2.28600001"?> 替换为 3×3 <?fx-imagestate width="7.11199999" height="2.28600001"?> <?fx-imagestate width="7.11199999" height="2.28600001"?> ，保留更多的特征信息，增强网络非线性表达能力，同时删除最大池化层，提高局部细节捕捉能力；然后，提出特征重排列注意力机制（feature reordering attention mechanism，FRAM）模块，将特征图通道进行分组，对其进行组间和组内重排序，通过一维卷积提取各通道组合的特征并拼接，得到重排列特征的权重；最后，提出了双池化残差（double-pooling residual，DPR）模块，该模块使用最大池化和平均池化并行操作特征图，并对池化后的特征图进行逐元素相加和卷积映射，以提取关键特征，减小特征图尺寸。结果在CIFAR-100（Canadian Institute for Advanced Research）、CIFAR-10和SVHN（street view house numbers）数据集上与其他11种图像分类网络进行比较，相比于性能第2的模型RTSA Net-101（residual Net-101 with tensor-synthetic attention），准确率分别提高了1.16%、1.01%和0.98%。实验结果表明FDPRNet显著提升了分类准确率。结论本文提出的FDPRNet具有增强图像通道内部信息交流和减少特征丢失的能力，不仅在分类精度上表现出较高水平，而且显著提升了模型的泛化能力。
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».