摘要
卷积神经网络一般被用于特征提取,它通过提取图像底层的点、线、面的几何特征,进而映射到高层的语义特征,然而传统的卷积网络只对输入的样本进行宽泛的特征提取,而不会刻意去区分图像的前景和后景,这使得模型提取到的特征包含大量的背景噪声,降低了模型的表征能力.在空间注意力的基础上,提出了一种名为特征增强网络(FA-block)的卷积网络分支,这种网络结构从样本的掩膜中学习目标的空间分布,为原始特征图上的每一个像素点训练得到代表重要程度的权重,然后通过加权的方式突出特征图中的目标部位.此方法旨在抑制背景噪声,增强待学习的目标特征,让主干网络提取到的特征更加纯净.在PASCAL VOC数据集上的实验证明了FA-block的有效性,最后经过MS COCO数据集的验证,FA-block使得Faster Rcnn基线的性能提高了5.5％.
维普
万方数据