今天给大家推荐一个涨点很猛的方向：
多尺度特征提取+注意力机制。
这方向典型如即插即用DICAM模块，结合多尺度特征提取和通道注意力机制，涨点起飞。核心在于多尺度特征提取可以帮助模型更全面地理解图像，从而提高复杂场景和目标的识别能力。而注意力机制可以让模型更关注输入数据中的重要部分，突出关键特征，忽略无关信息。
这样结合就能
让模型在捕捉图像细节的同时，也能保持对全局信息的敏感度，显著提高模型的泛化能力和鲁棒性。
值得一提的是，这种优势很大的技术在工业界也相当受欢迎，目前被广泛应用于医学影像分析、遥感图像分析、长时间序列预测、工业设备监测等领域。
为方便各位快速了解这方向的前沿动态，我这次整理了
12个
最新的多尺度特征提取+注意力机制创新方案
，开源代码贴心附上~
扫码
添加小享，
回复“
提取注意
”
免费获取
全部论文+代码合集
GRFB-UNet: A new multi-scale attention network with group receptive field block for tactile paving segmentation
方法：
论文提出了一个名为GRFB-Unet的新型多尺度注意力网络，它结合了多尺度特征提取和注意力机制，用于触觉铺装的图像分割。这个网络在Unet网络的基础上增加了群组感受野块，以获取触觉铺装的多尺度感受野特征。
创新点：
-
通过在Unet网络中引入组感受野块，提出了一种新的分割算法，使得在低计算复杂度的基础上，能够在特征提取过程中增加局部感受野的尺度多样性，提高了分割精度。
-
构建了一个新的触觉铺面检测数据集TP-Dataset，包括街道、地铁、校园、公交站、高铁站和社区等多种场景，为触觉铺面的分割任务提供了新的数据基础。
Multi-scale Hierarchical Vision Transformer with Cascaded Attention Decoding for Medical Image Segmentation
方法：
论文提出了一个名为MERIT的新型网络架构，它结合了多尺度特征提取和注意力机制，用于医学图像分割任务。MERIT通过在多个尺度上计算自注意力来提高模型的泛化能力，并引入了一个基于注意力的解码器，以进一步细化由MERIT生成的多阶段特征。
创新点：
-
提出了一种新的多尺度分层视觉Transformer（MERIT），用于2D医学图像分割，能够捕捉多尺度和多分辨率的特征。
-
引入了一个基于注意力的级联解码器（CASCADE），用于进一步细化MERIT生成的多阶段特征。
-
提出了一个新的多阶段特征混合损失聚合（MUTATION）策略，通过隐式集成和增强，改进了模型训练。
扫码
添加小享，
回复“
提取注意
”
免费获取
全部论文+代码合集
DICAM: Deep Inception and Channel-wise Attention Modules for underwater image enhancement
方法：
论文提出了一种名为DICAM的新型水下图像增强模型，通过多尺度通道特征提取和通道注意力模块改善图像的颜色和视觉质量，证明在全参考和无参考图像质量评估中的优越性。
创新点：
-
引入Inception模块用于多尺度通道特征提取，能够同时量化色彩和距离相关的比例降解、色彩和内容信息的损失以及色彩丰富度。
-
引入了通道注意力模块（CAM），用于自适应融合图像特征，提升图像的色彩丰富度和自然性。通过专门的颜色校正阶段，该方法能够生成高质量增强图像。
