文章目录注意引言self-attention自注意力机制多头自注意力机制图像中的自注意力机制注意本篇文章参考李宏毅老师的讲课视频，截图均来自老师的PPT，本文是学习笔记。原视频大家可以自行搜索观看引言自注意力机制最初是NLP领域的首先我们了解一下三种任务分类：输出一个句子，可以看作一个序列。1、输入和输出长度一致，每个vector对应一个label假定现在做一个词性分析的任务，就是输入英文句子，给出每个单词的词性2、整个序列对应一个label假定现在做一个语义判断的任务，输出英文句子，给出这个句子的好坏判断。好or不好3、输出长度不确定，由机器决定输出label的长度，这种任务叫做seq2se
文章目录注意引言self-attention自注意力机制多头自注意力机制图像中的自注意力机制注意本篇文章参考李宏毅老师的讲课视频，截图均来自老师的PPT，本文是学习笔记。原视频大家可以自行搜索观看引言自注意力机制最初是NLP领域的首先我们了解一下三种任务分类：输出一个句子，可以看作一个序列。1、输入和输出长度一致，每个vector对应一个label假定现在做一个词性分析的任务，就是输入英文句子，给出每个单词的词性2、整个序列对应一个label假定现在做一个语义判断的任务，输出英文句子，给出这个句子的好坏判断。好or不好3、输出长度不确定，由机器决定输出label的长度，这种任务叫做seq2se
Self-attention有一个进阶的版本,叫做Multi-headSelf-attention,Multi-headSelf-attention,其实今天的使用是非常地广泛的。在LHY2021作业4裡面,助教原来的code4有,Multi-headSelf-attention,它的head的数目是设成2,那刚才助教有给你提示说,把head的数目改少一点改成1,其实就可以过mediumbaseline但并不代表所有的任务,都适合用比较少的head,有一些任务,比如说翻译,比如说语音辨识,其实用比较多的head,你反而可以得到比较好的结果至於需要用多少的head,这个又是另外一个hyperpa
Self-attention有一个进阶的版本,叫做Multi-headSelf-attention,Multi-headSelf-attention,其实今天的使用是非常地广泛的。在LHY2021作业4裡面,助教原来的code4有,Multi-headSelf-attention,它的head的数目是设成2,那刚才助教有给你提示说,把head的数目改少一点改成1,其实就可以过mediumbaseline但并不代表所有的任务,都适合用比较少的head,有一些任务,比如说翻译,比如说语音辨识,其实用比较多的head,你反而可以得到比较好的结果至於需要用多少的head,这个又是另外一个hyperpa
【论文解读】AttentionalFeatureFusion一、研究背景二、Multi-scaleChannelAttentionModule（MS-CAM）三、AttentionalFeatureFusion（AFF）四、IterativeAttentionalFeatureFusion（IAFF）五、实例：替换ResNet,FPN和InceptionNet中的特征融合六、实验1数据集及实验设置2消融实验3对比实验首先附上论文地址和代码：论文地址：https://ieeexplore.ieee.org/document/9423114代码地址：https://github.com/Yimia
【论文解读】AttentionalFeatureFusion一、研究背景二、Multi-scaleChannelAttentionModule（MS-CAM）三、AttentionalFeatureFusion（AFF）四、IterativeAttentionalFeatureFusion（IAFF）五、实例：替换ResNet,FPN和InceptionNet中的特征融合六、实验1数据集及实验设置2消融实验3对比实验首先附上论文地址和代码：论文地址：https://ieeexplore.ieee.org/document/9423114代码地址：https://github.com/Yimia
AttentionalFeatureFusion注意力特征融合最近看到一篇比较不错的特征融合方法，基于注意力机制的AAF，与此前的SENet、SKNet等很相似，但AFF性能优于它们，并且适用于更广泛的场景，包括短和长跳连接以及在Inception层内引起的特征融合。AFF是由南航提出的注意力特征融合，即插即用！本篇博客主要参考自知乎作者OucQxw，知乎原文地址：https://zhuanlan.zhihu.com/p/424031096论文下载地址：https://arxiv.org/pdf/2009.14082.pdfGithub代码地址：https://github.com/Yimia
AttentionalFeatureFusion注意力特征融合最近看到一篇比较不错的特征融合方法，基于注意力机制的AAF，与此前的SENet、SKNet等很相似，但AFF性能优于它们，并且适用于更广泛的场景，包括短和长跳连接以及在Inception层内引起的特征融合。AFF是由南航提出的注意力特征融合，即插即用！本篇博客主要参考自知乎作者OucQxw，知乎原文地址：https://zhuanlan.zhihu.com/p/424031096论文下载地址：https://arxiv.org/pdf/2009.14082.pdfGithub代码地址：https://github.com/Yimia
前言文献名称：LearnedImageCompressionwithDiscretizedGaussianMixtureLikelihoodsandAttentionModules本文基于CompressAI的库进行复现github地址：compressAI关于compressAI相关博客说明：CompressAI：基于pytorch的图像压缩框架使用安装好compressai后相当于把这个底层库引入了我们的工程相关环境搭配可以参考JointAutoregressiveandHierarchicalPriorsforLearnedImageCompression文献复现文献复现同样都是使用co
前言文献名称：LearnedImageCompressionwithDiscretizedGaussianMixtureLikelihoodsandAttentionModules本文基于CompressAI的库进行复现github地址：compressAI关于compressAI相关博客说明：CompressAI：基于pytorch的图像压缩框架使用安装好compressai后相当于把这个底层库引入了我们的工程相关环境搭配可以参考JointAutoregressiveandHierarchicalPriorsforLearnedImageCompression文献复现文献复现同样都是使用co
