《表1 BSD100数据集上不同通道注意力模型的对比实验》
注:加粗值为最优。
为探究将通道注意力升降维改为一维卷积以及混合不同阶通道注意力对MCAN影响,以下采用升降维一阶通道注意力模型(RCAN)、二阶模型(SAN)与本文快速一维卷积实现的一阶模型(EFCA)、二阶模型(ESCA)分别在BSD100数据集上做对比实验。为保持参数一致,设置G=4,M=8,结果如表1所示,评价指标为感知指数(Perceptual Index,PI),PI值越小越好。(1)和(2)是训练时分别采用升降维的一、二阶模型,(3)和(4)是分别采用改进后一、二阶模型EFCA、ESCA。(1)和(3),(2)和(4)对比表明,将一阶或二阶通道注意力由升降维改为一维卷积,通道预测权重和每个通道特征一一对应,注意力预测更准确;(5)和(6)对比表明,改进后一阶(EFCA)二阶(ESCA)通道模型融入残差块混合使用相比单独采用一阶或二阶模型性能更好。这表明采用改进的通道注意力模型不仅权重预测更准确合理,更关注于信息量大的特征,还提高了网络判别性学习能力,故比其他算法结果更优。
图表编号 | XD00222691100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.10.10 |
作者 | 姚鲁、宋慧慧、张开华 |
绘制单位 | 江苏省大数据分析技术重点实验室(南京信息工程大学)、南京信息工程大学大气环境与装备技术协同创新中心、江苏省大数据分析技术重点实验室(南京信息工程大学) |
更多格式 | 高清、无水印(增值服务) |