Spatial

CBAM: Convolutional Block Attention Module 简介 本文利用attention机制，使得针对网络有了更好的特征表示，这种结构通过支路学习到通道间关系的权重和像素间关系的权重，然后乘回到原特征图，使得特征图可以更好的表示。 Convolutional Block Attention Module 这里的结构有点类似与SENet里的支路结构。 对于Channel attention module，先将原feature map分别做global avg pooling 和global max pooling，然后将两pooling后的向量分别连接一个FC层，之后point-wise相加。激活。 这里用global pooling的作用是捕捉全局特征，因为得到的权重描述的是通道间的关系，所以必须要全局特征才能学习到这种关系。 之所以avg pooling和max pooling一起用，是因为作者发现max pooling能够捕捉特征差异，avg pooling能捕捉一般信息，两者一起用的效果要比单独用的实验结果要好，。 结构如图： 对于Spatial attention module，作者使用了1×1的pooling，与上面一样，使用的是1×1的avg pooling和1×1的max pooling，而没有用1×1卷积，两者concat

前言: 本文介绍了一个用于语义分割领域的attention模块scSE。scSE模块与之前介绍的BAM模块很类似，不过在这里scSE模块只在语义分割中进行应用和测试，对语义分割准确率带来的提升比较大。 提出scSE模块论文的全称是：《 Concurrent Spatial and Channel ‘Squeeze & Excitation’ in Fully Convolutional Networks 》。这篇文章对SE模块进行了改进，提出了SE模块的三个变体cSE、sSE、scSE，并通过实验证明了了这样的模块可以增强有意义的特征，抑制无用特征。实验是基于两个医学上的数据集MALC Dataset和Visceral Dataset进行实验的。 语义分割模型大部分都是类似于U-Net这样的encoder-decoder的形式，先进行下采样，然后进行上采样到与原图一样的尺寸。其添加SE模块可以添加在每个卷积层之后，用于对feature map信息的提炼。具体方案如下图所示： 然后开始分别介绍由SE改进的三个模块，首先说明一下图例: cSE模块： 这个模块类似之前BAM模块里的Channel attention模块，通过观察这个图就很容易理解其实现方法，具体流程如下: 将feature map通过global average pooling方法从[C, H, W]变为[C, 1, 1

前言： 这是CV中的Attention机制专栏的第一篇博客，并没有挑选实现起来最简单的SENet作为例子，而是使用了CBAM作为第一个讲解的模块，这是由于其使用的广泛性以及易于集成。目前cv领域借鉴了nlp领域的attention机制以后生产出了很多有用的基于attention机制的论文，attention机制也是在2019年论文中非常火。这篇cbam虽然是在2018年提出的，但是其影响力比较深远，在很多领域都用到了该模块，所以一起来看一下这个模块有什么独到之处，并学着实现它。 1. 什么是注意力机制？ 注意力机制（Attention Mechanism）是机器学习中的一种数据处理方法，广泛应用在自然语言处理、图像识别及语音识别等各种不同类型的机器学习任务中。 通俗来讲：注意力机制就是希望网络能够自动学出来图片或者文字序列中的需要注意的地方。比如人眼在看一幅画的时候，不会将注意力平等地分配给画中的所有像素，而是将更多注意力分配给人们关注的地方。 从实现的角度来讲：注意力机制通过神经网络的操作生成一个掩码mask, mask上的值一个打分，评价当前需要关注的点的评分。 注意力机制可以分为： 通道注意力机制：对通道生成掩码mask，进行打分，代表是senet, Channel Attention Module 空间注意力机制：对空间进行掩码的生成，进行打分，代表是Spatial

IfcSpatialZoneType定义了空间的常用共享属性集定义列表和产品表示的可选集。它用于定义空间规范（即特定的空间信息，该空间类型的所有出现都通用）。 注意，产品表示被定义为表示映射（在超类型IfcTypeProduct的级别，它由元素出现实例通过ifcshapeerepresentation.Item[1]分配，IfcMappedItem。 空间分区类型用于定义特定类型空间的公用特性，这些特性可以应用于该类型的许多实例以指定特定样式。空间类型可以在没有分配给引用的情况下进行交换。 注意，空间分区类型通常用于表示空间目录，对于共享公共表示图则较少。空间目录中的空间分区类型共享相同的空间分类和一组通用的空间需求属性。 IfcSpatialZoneType的出现由IfcSpatialZone的实例表示。 在IFC4中增加的新实体。 Attribute definitions # Attribute Type Cardinality Description C 10 PredefinedType IfcSpatialZoneTypeEnum [1:1] Predefined types to define the particular type of the spatial zone. There may be property set definitions available

My Ph.D. project will focus on the application of spatial technology in Spatial Lifecourse Epidemiology. With the pandemic of COVID-19, I built up a website, "Awesome of COVID-19", which collected the related resources of COVID-19 researches. This article is the tutorial of this website. Snap spot of the website. Url of the Weibsite? Click it 1 The tutorial of the website I developed this website by docsite . The website consists of four pages including Home, Resources, Work, and Community. Besides, there are two buttons including language and search. Once you click the 'language' button, the

1 简介 土地覆盖：地球表面当前所具有的自然和人为影响所形成的覆盖物，是地球表面的 自然状态 ，如森林、草场、农田、土壤、冰川、湖泊、沼泽湿地及道路等。 土地利用：是人类在生产活动中为达到一定的经济效益、社会效益和生态效益， 对土地资源的开发、经营、使用方式 的总称。 两者的区别: • 土地利用表示与土地相结合的人类活动而产生的不同利用方式，反映土地的 社会和经济属性 。 • 土地覆盖表示地球表面存在的不同类型的覆盖特征，强调的是土地的表面形状，反映土地的 自然属性 。 土地利用/土地覆盖分类系统 LULC分类系统是根据人类土地利用行为的目的、方式等不同，将一定时期的土地利用行为分为若干种类型，由这些类型组成的有一定结构关系的系统框架(包括类型名称、识别标准、类型之间的联系等)。一般采用 分级结构 。 可参考文献： http://sourcedb.igsnrr.cas.cn/zw/lw/201112/P020111207607064684999.pdf 可用来进行土地利用/土地覆盖分类的遥感信息源选取： 主要使用空间分辨率为米级至1公里的可见光及近红外波段遥感数据．如GF-1、GF-2、HJ-1A/B、ZY-1 02C、IKONOS、Landsat-TM 、MSS、CEBERS、SPOT–HRV、NOAA-AVHRR及MODIS等。 分类方法 • 目视解译定性分析方法 •

空间金字塔池化（Spatial Pyramid Pooling, SPP）原理和代码实现（Pytorch） 一、为什么需要SPP 首先需要知道为什么需要SPP。 我们都知道卷积神经网络(CNN)由卷积层和全连接层组成，其中卷积层对于输入数据的大小并没有要求，唯一对数据大小有要求的则是 第一个全连接层 ，因此基本上所有的CNN都要求输入数据固定大小，例如著名的 VGG模型 则要求输入数据大小是 (224*224) 。 固定输入数据大小有两个问题： 很多场景所得到数据并不是固定大小的，例如街景文字基本上其高宽比是不固定的，如下图示红色框出的文字。 2.可能你会说可以对图片进行切割，但是切割的话很可能会丢失到重要信息。 综上，SPP的提出就是为了解决CNN输入图像大小必须固定的问题，从而可以使得输入图像高宽比和大小任意。 二、SPP原理 更加具体的原理可查看原论文： Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 上图是原文中给出的示意图，需要从下往上看: 首先是输入层(input image),其大小可以是任意的 进行卷积运算，到最后一个卷积层(图中是conv5)输出得到该层的特征映射(feature maps)，其大小也是任意的 下面进入SPP层

1. 摘要 CNN 中的特征包含着不同类型的信息，它们对图像重建的贡献也不一样。然而，现在的大多数 CNN 模型却缺少对不同信息的辨别能力，因此也就限制了模型的表示容量。 另一方面，随着网络的加深，来自前面层的长期信息很容易在后面的层被削弱甚至消失，这显然不利于图像的超分辨。 作者提出了一个通道和空间特征调制（CSFM）网络，其中一系列特征调制记忆（FMM）模块级联在一起来将低分辨率特征转化为高信息量的特征。而在每个 FMM 内部，则集成了许多通道和空间注意力残差块（CSAR）以及一个用来保留长期信息的门控融合节点（GF）。 2. 网络结构 2.1. CSAR（Channel-wise and Spatial Attention Residual ） 进来一个特征 Hi，先经过卷积-ReLU-卷积得到特征 U，卷积核都为 3×3。 CA 单元包含全局空间池化-卷积-ReLU-卷积-Sigmoid，卷积核都为 1×1，第一层卷积通道数变为 C/r，第二层卷积通道数为 C。 SA 单元包含卷积-ReLU-卷积-Sigmoid，卷积核都为 1×1，第一层卷积通道数变为 C*i，第二层卷积通道数为 1。 得到通道和空间的两个 mask 后，分别和特征 U 相乘，然后再将两个结果拼接起来经过一个 1×1 的卷积将通道数变为 C，最后和 Hi 相加得到输出特征 Ho。 在论文中，作者设置 r