一、 前言

空间注意力已被广泛用于提高卷积神经网络的性能，使其能够专注于重要信息。然而，它有一定的局限性。在本文中，我们对空间注意的有效性提出了一个新的观点，那就是它可以解决卷积核参数共享的问题。尽管如此，由空间注意产生的注意图中所包含的信息对于大尺寸卷积核来说是不够的。因此，我们引入了一种新的注意机制，称为感受场注意（RFA）。虽然以前的注意机制，如卷积块注意模块（CBAM）和协调注意（CA）只关注空间特征，它们不能完全解决卷积核参数共享的问题。相比之下，RFA不仅关注感受野空间特征，而且还为大尺寸卷积核提供有效的注意力权重。由RFA开发的感受野注意卷积操作（RFAConv）代表了一种取代标准卷积操作的新方法。它提供了几乎可以忽略不计的计算成本和参数的增加，同时显著提高了网络性能。我们在ImageNet-1k、MS COCO和VOC数据集上进行了一系列的实验，证明了我们的方法在各种任务中的优越性，包括分类、物体检测和语义分割。特别重要的是，我们认为现在是时候将重点从空间特征转移到当前空间注意机制的接受场空间特征上