该论文提出了一种基于多模式 CNN 的场景识别新方法，结合图像和上下文信息，通过注意力机制来强化学习和增强场景的辨别能力，实验证明该方法性能超过所有现有的先进方法，并显著减少了网络参数。

Sep, 2019

本文提出了一种新颖的挤压和注意力（SA）模块，结合传统卷积实现像素组关注和像素级预测，最终通过融合四个层次的 SANet 的输出来集成多尺度的上下文信息，从而实现了在 PASCAL VOC 和 PASCAL 上的语义分割任务中表现出色。

Sep, 2019

该研究利用城市场景图像的内在特征，提出了一种称为高度驱动注意力网络（HANet）的通用外加模块，用于改进城市场景图像的语义分割，我们验证了所提出网络结构的性能表现，并演示了该模型在 Cityscapes 数据集上创造了新的最先进性能。

Mar, 2020

我们提出了 LOGCAN++，一种针对遥感图像定制的语义分割模型，通过全局类别感知（GCA）模块和多个局部类别感知（LCA）模块来解决复杂背景、尺度和方向变化以及大类内差异等问题，实验证明其在速度和准确性之间取得了更好的平衡。

Jun, 2024

本文介绍了一种新的卷积神经网络 SCA-CNN，其中引入了空间和通道注意力，用于图像描述任务，结果表明 SCA-CNN 明显优于现有的基于视觉关注的图像描述方法。

Nov, 2016

本文提出了一种名为 “SCAR” 的空间 / 通道注意力模型，将传统的回归 CNN 用于估计密度图，以解决只关注局部外观特征的问题，模型在四个数据集上取得了最新的成果。

Aug, 2019

通过 Point Contextual Attention Network (PCAN) 能够在对点上下文加权的情况下，对局部特征进行更加关注，从而有效地编码局部特征并在多个基准测试数据集上提供性能优于当前最先进方法的检索性能。

Apr, 2019

本文通过应用双重注意力网络 (DANet) 和自注意力机制来捕捉语境相关性，以实现更准确的场景分割，在 Cityscapes 数据集上取得了 81.5% 的平均 IoU 得分，并提供了相应的代码和训练模型。

Sep, 2018

本文提出了 CAD-Net，一种新的目标检测网络，利用关注调制特征以及全局和本地上下文来应对使用光学遥感图像进行目标检测的新挑战。实验证明，该网络在两个远程感知图像对象检测数据集上表现良好。

Mar, 2019

本文提出了一种基于通道自注意机制和残差连接的新型 UNet 图像分割算法，通过改进图像中不同项目之间的内部连接，显著提高了遮挡遥感图像分割的结果。在 FoodNet 数据集上，与传统 UNet 相比，新的网络模型将平均交并比提高了 2.48%。

Apr, 2023