注意力机制+轻量残差网络，是当前的研究热点！其在使模型高性能、高计算效率兼备方面有奇效！比如CVPR上的SPAN模型，便通过该方法，推理时间直降430％！模型LMBF-Net，则在参数显著减少的同时，准确率近乎100％。
这主要得益于：一方面，注意力机制能使模型聚焦关键信息，更准确地捕捉有用特征；而轻量残差网络本身也具备特征提取能力。两者结合，便能优化特征提取过程。另一方面，轻量残差网络最大的特点，便是能减少模型参数和计算复杂度，而注意力机制的动态权重分配特点，则进一步强化了其优势。
为让大家能够紧跟领域前沿，找到更多灵感启发，我给大家准备了8种创新思路，涵盖了无参数注意力与轻量残差网络结合、多路径残差块和焦点调制注意力块融合……
扫描下方二维码，回复「A残差」
免费获取全部论文合集及项目代码
Swift Parameter-free Attention Network for Efficient Super-Resolution
内容：本文介绍了一种名为SPAN的高效单图像超分辨率（SISR）模型。SPAN通过新颖的无参数注意力机制，在参数数量、推理速度和图像质量之间取得了平衡。该机制利用对称激活函数和残差连接来增强重要信息并抑制冗余信息，无需额外参数学习。实验表明，SPAN在多个基准测试中超越了现有的高效超分辨率模型，赢得了NTIRE 2024高效超分辨率挑战赛的总体性能和运行时间赛道第一名。
LMBF-Net: A Lightweight Multipath Bidirectional Focal Attention Network for Multifeatures Segmentation
内容：本文介绍了一种名为LMBF-Net的轻量级多路径双向焦点注意力网络，用于视网膜图像的多特征分割。该网络针对视网膜疾病诊断中的多标签和属性分割问题，提出了一种新的多路径卷积神经网络架构。LMBF-Net通过结合卷积和组卷积操作，减少了计算成本，并利用焦点调制注意力块（FMAB）在编码器和解码器之间增强特征信息。网络设计注重空间信息敏感性，通过优化滤波器数量减少重叠，加速模型收敛。
扫描下方二维码，回复「A残差」
免费获取全部论文合集及项目代码
Sebica: Lightweight Spatial and Efficient Bidirectional Channel Attention Super Resolution Network
内容：本文介绍了一种名为Sebica的轻量级单图像超分辨率网络，该网络融合了空间和高效的双向通道注意力机制。Sebica在保持高重建质量的同时显著降低了计算成本，仅使用最高性能模型17%和15%的参数和GFLOPs，就在Div2K和Flickr2K数据集上取得了28.29/0.7976和30.18/0.8330的PSNR/SSIM分数。
Boundary‑aware convolutional attention network for liver segmentation in ultrasound images
内容：本文提出了一种名为BACANet的深度学习算法，专门用于实时肝脏超声图像分割。该算法采用轻量级网络骨干进行肝脏特征提取，并结合卷积注意力机制以增强网络捕捉全局上下文信息的能力。为了提高肝脏边界的早期定位能力，研究者开发了一种选择性大核卷积模块用于边界特征提取，并引入了显式的肝脏边界监督。此外，还设计了一种增强型注意力门控机制，以高效地将肝脏主体和边界特征传递给解码器，从而增强特征表示能力。
扫描下方二维码，回复「A残差」
免费获取全部论文合集及项目代码
