一种基于注意机制和卷积神经网络的视觉模型

• 作者: 李鹤喜 李记花 李威龙
• 来源期刊: 计量学报
• 关键词: 计量学 视觉模型 3重注意机制 深度可分离卷积 神经网络 目标识别
• 年，卷（期）: 2021,（7）
• 页码范围: 840-845
• 页数: 6页
• 分类号: TB96
• 语种: 中文
• DOI: 10.3969/j.issn.1000-1158.2021.07.02

摘要

针对目前的深度卷积神经网络(CNN)模型规模大、训练参数多、计算速度慢以及难以移植到移动端等问题,提出了一种深度可分离卷积结合3重注意机制模块(DSC-TAM)的视觉模型.首先,通过深度可分离卷积网络来减少模型参数,提高网络模型的计算速度;其次,引入3重注意机制模块提高网络的特征提取能力,改善网络性能.实验结果表明:该方法的识别率可达99.63％,模型规模降低了 13％;与标准卷积神经网络视觉模型及其他方法比较,在保证识别精度的同时减少了网络模型的大小.