摘要
论文介绍
- 研究背景：论文讨论了现有注意力模块（如ECA、SRM、CBAM等）在图像识别中的局限性，指出它们往往只关注通道间关系或空间维度中的特征相互作用，而忽略了它们之间的相关性。
- 研究目的：旨在提出一种能够同时在通道、高度和宽度维度上学习互补注意力的方法，以提升卷积神经网络（CNN）的性能。
- 主要成果：提出了一种轻量级、高效、可泛化的多维协作注意力模块（MCA），在多个基准测试集上取得了显著优于其他最先进（SOTA）注意力方法的性能。
创新点
- 多维度协同注意力：首次提出同时在通道、高度和宽度维度上学习互补注意力的理念，以充分利用它们之间的相关性。
- 轻量级且高效：MCA模块设计为即插即用，参数和计算复杂度低，能够无缝集成到各种成熟的CNN中。
- 显著性能提升：在多个数据集上，MCA模块以更低的开销实现了显著的性能提升。
