同学们，今天我们来聊聊坐标注意力。
坐标注意力是一种非常高效的注意力机制，
它通过将位置信息嵌入到通道注意力中，轻轻松松就能提高轻量级网络的性能。
这一机制的
核心在于
其创新的结构和对位置信息的精确捕捉能力，允许模型在强调特定通道的同时维持对空间位置的敏感度。且由于简单灵活，它还可以轻松嵌入到各种移动网络中，并在各种计算机视觉任务中取得很好的性能。
因此如果我们想在不增加太多计算成本的情况下提升模型表现，坐标注意力是个非常好的选择。当然，为方便有需求的同学们实践，我已经整理好的
12个
最新的坐标注意力创新方案
分享给大家：
扫码添加小享，
回复“
坐标12
”
免费获取
全部论文+开源代码
Expression Recognition Based on Multi-Regional Coordinate Attention Residuals
方法：
本文介绍了一种基于多区域坐标注意力残差的面部表情识别模型(MrCAR)，通过多区域输入、坐标注意力残差网络和Arcface Loss分类器，提高了面部表情的识别准确率。
创新点：
-
提出了多区域输入方法，通过MTCNN进行面部检测和对齐处理，并进一步裁剪眼睛和嘴巴部分，以获得多区域图片。通过多区域输入，更容易获取局部细节和全局特征，减少复杂环境噪声的影响，突出面部特征。
-
在特征提取模块中引入了坐标注意力残差网络，通过添加CA-Net和多尺度卷积，提取关键特征，并提高了模型对表情细微变化的区分能力和关键特征的利用率。
-
使用Arcface Loss作为分类器，同时增强类内紧密度和类间差异，从而减少模型对负面表情的错误分类。
Large coordinate kernel attention network for lightweight image super-resolution
方法：
本论文的研究目标是设计一种高效的单图像超分辨率网络，通过引入多尺度蓝图可分离卷积（MBSConv）和局部坐标核注意力（LCKA）来提高模型的性能和效率，填补现有轻量级超分辨率方法在多尺度信息提取方面的研究空白。
创新点：
-
提出了大型坐标核注意力网络（LCAN），这是一种非常轻量级的SR模型，可以从低分辨率输入中恢复出高性能图像。LCAN比之前的轻量级SR网络更轻量级，同时实现了更优越的重建性能。
-
提出了大型坐标核注意力（LCKA）模块，该模块将LKA的2D卷积核分解为水平和垂直1D卷积核，从而实现了局部信息和远距离依赖的邻近直接交互。
扫码添加小享，
回复“
坐标12
”
免费获取
全部论文+开源代码
YOLOv5s-CA: A Modified YOLOv5s Network with Coordinate Attention for Underwater Target Detection
方法：
研究通过对YOLOv5s模型进行改进，提出了YOLOv5s-CA模型，该模型添加了多个瓶颈层以提高浅层特征提取能力，并嵌入了CA注意力模块和SE注意力模块以提高模型对感兴趣区域的关注。
创新点：
-
对YOLOv5s模型进行了改进：引入了CA和SE模块，命名为YOLOv5s-CA，以提高水下目标检测的准确性。
-
修改了骨干网络：在YOLOv5s模型的合适位置嵌入了SE注意力模块，使模型能够根据卷积输入自适应调整通道权重，从而适应不同复杂特征图上的每个目标的特征提取。
A New Semantic Segmentation Method for Remote Sensing Images Integrating Coordinate Attention and SPD-Conv
