基于互注意力机制(MA-Neck)的轻量化目标检测网络特征增强研究

本文推荐：该研究针对轻量级目标检测网络精度不足的问题，创新性提出基于互注意力的颈部结构(MA-Neck)，通过自注意力增强(SAE)模块和互图通道注意力(MGCA)模块，在PANet框架下实现空间-通道双维度特征优化。实验表明该方法在保持计算效率的同时显著提升mAP指标，为边缘计算场景提供新思路。

　　

亮点

• 提出互注意力颈部结构(MA-Neck)解决轻量架构下检测精度不足问题，在保持效率同时提升性能

• 开发自注意力增强(SAE)模块，通过空间自注意力+通道共注意力机制优化单层特征

• 设计互图通道注意力(MGCA)模块，基于图卷积理论实现跨阶段特征动态加权

方法

受前人工作启发，我们将低层特征与高层特征视为输入图像的不同视角。为减少特征融合带来的计算负担，提出基于PANet框架的MA-Neck结构。如图1所示，网络包含自底向上和自顶向下两条路径，通过SAE和MGCA模块实现：1）SAE采用可分解的空间注意力矩阵增强前景表征；2）MGCA通过图通道注意力实现跨阶段全局关联捕捉，其中邻接矩阵通过互协方差学习动态生成。

实验设置

为保证可重复性，实验采用统一超参数（详见GitHub仓库）。使用RTX 3070显卡训练，自动选择AdamW优化器，基础学习率0.01，动量0.9，批量大小8，训练轮次150。

结论

MA-Neck通过SAE和MGCA模块的协同作用，有效提升轻量网络的检测精度。其中SAE融合自注意力与共注意力机制，MGCA基于互图特征增强(MGFE)模块实现跨层特征聚合。在MS-COCO等基准测试中，参数量仅增加3.2%的情况下mAP提升4.7%，证实该方法在计算效率与精度间的优越平衡性。