涨点神器!全局注意力+位置注意力,打造更强深度学习模型

本文主要是介绍涨点神器!全局注意力+位置注意力,打造更强深度学习模型,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

全局注意力结合位置注意力是学术界与工业界共同的研究热点,它可以有效提升深度学习模型的性能,助力涨点。

这种结合策略充分利用全局注意力(擅长捕捉序列或图像中的长距离依赖)和位置注意力(专注于序列中元素的具体位置)各自的优势,让模型在处理数据时同时考虑元素的内容及其在序列中的位置。这不仅提高了模型的表达能力,还能在保持计算效率的同时增强模型对复杂模式的理解和预测能力。

比如全局位置自注意力网络GPS-Net,通过空间自注意力学习结构化依赖性,并通过通道自注意力捕捉全局有序的语义和位置依赖性,在多个识别任务中超越了SOTA方法。

本文分享全局注意力+位置注意力8种创新结合方案,可借鉴的方法和创新点我做了简单介绍,已经开源的代码都整理了,方便同学们学习。

论文原文以及开源代码需要的同学看文末

Global Positional Self-Attention for Skeleton-Based Action Recognition

方法:论文介绍了一种新颖的全局位置自注意力网络(GPS-Net),可以表示基于骨骼的动作识别中的空间结构依赖和全局有序的语义信息。通过空间自注意和通道自注意,结构依赖和全局有序的语义和位置依赖可以捕获到。

创新点:

  • 引入了一种新颖的全局位置自注意网络,通过空间自注意和通道自注意两个模块来捕捉骨骼动作识别中的空间结构依赖和全局语义信息。这种网络结构简单而有效,能够准确地进行动作预测。

  • 提出了一种新的结构位置编码方法。通过定义一组基于测地距离的结构位置,将身体关节分成多个部分,并使用同一结构位置编码来编码每个部分的关节。这种编码方法能够反映身体的结构特征,并提高动作识别的性能。

Global Self-Attention Networks for Image Recognition

方法:论文中提出了一种新的全局自注意力模块GSA,它同时考虑了像素的内容和空间位置。这个模块包含两个并行的层次:内容注意力层:这一层基于像素的内容进行注意力的分配。位置注意力层:这一层根据像素的空间位置进行注意力的分配。

创新点:

  • 提出了一种新的全局自注意力模块,称为GSA模块,该模块同时考虑像素的内容和空间位置。该模块由并行的内容注意力分支和位置注意力分支组成,最后将它们的输出相加。相比于传统的空间卷积,该GSA模块具有更高的效率,并可以作为深度网络的主要组件。

  • 基于GSA模块提出了GSA网络,用GSA模块代替空间卷积来建模像素间的长距离相互作用。相比于使用卷积的网络,GSA网络在CIFAR-100和ImageNet数据集上取得了显著的性能提升,且使用的参数和计算量更少。

Combining Global and Local Attention with Positional Encoding for Video Summarization

方法:论文提出了一种新的监督视频摘要方法,该方法结合了全局和局部多头注意力机制,以在不同粒度级别发现帧依赖性的不同建模方式。此外,所使用的注意力机制还整合了一个编码视频帧时间位置的组件,这在生成视频摘要时非常重要。

创新点:

  • PGL-SUM模型采用了全局和局部多头注意力机制,以不同的粒度发现视频帧的依赖关系,进而提高视频摘要的性能。

  • PGL-SUM模型引入了绝对位置编码组件,用于编码视频帧的时间顺序,提高了视频摘要的时序连贯性。

  • 在SumMe数据集上的实验证明了PGL-SUM模型相对于现有注意力机制的有效性,并与其他最先进的有监督摘要方法竞争性能。

TransXNet: Learning Both Global and Local Dynamics with a Dual Dynamic Token Mixer for Visual Recognition

方法:本研究提出了一种高效的双动态令牌混合器(D-Mixer),利用重叠空间降维注意力(OSRA)和输入相关的深度卷积(IDConv)提供的混合特征提取。通过将基于D-Mixer的块堆叠到深层网络中,使用前面块中收集的局部和全局信息动态生成IDConv中的卷积核和OSRA中的注意力矩阵,从而赋予网络更强的表示能力,融合强大的归纳偏差和扩展的有效感受野。

创新点:

  • 提出了一种高效的双动态令牌混合器(D-Mixer),利用重叠空间缩减注意力(OSRA)和输入依赖深度卷积(IDConv)提供的混合特征提取。通过将基于D-Mixer的块堆叠到深度网络中,利用先前块中收集的局部和全局信息动态生成IDConv中的卷积核和OSRA中的注意力矩阵,通过融合强归纳偏差和扩展有效感受野,使网络具备更强的表示能力。

  • 设计了一种名为TransXNet的新型混合CNN-Transformer网络,通过交替使用D-Mixer和MS-FFN构建。在各种视觉任务中,TransXNet展现出了领先的性能。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“全局位置”获取全部论文+代码

码字不易,欢迎大家点赞评论收藏

这篇关于涨点神器!全局注意力+位置注意力,打造更强深度学习模型的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1034831

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验