Enhanced Convolutional Neural Network Architecture with Attention-Guided Feature Refinement for Robust Image Classification
KRISHNA SANDEEP JONNALA · K VENKAT RAJU
提出注意力引导细化网络AGR-Net，在CIFAR-10上兼顾精度与参数效率。
轻量通道-空间注意力模块+残差特征细化块，五折交叉验证对比基线。
AGR-Net达94.6%准确率，超最强基线1.8个百分点且参数比ResNet-18少27%。
可将该轻量注意力架构迁移至作物病害识别等农业图像任务，验证田间复杂场景鲁棒性。
该文为通用计算机视觉论文，未涉及农业场景，与三农及农业信息化无关，不宜入选。
图像分类仍然是计算机视觉中的一个基础性问题，支撑着从医学诊断到自主导航等诸多应用。尽管深度卷积神经网络（CNN）在过去十年中大幅提升了分类准确率，但VGG、ResNet和普通CNN等标准架构往往难以在准确率、参数效率和对类内变化的鲁棒性之间实现联合优化。本文提出了一种注意力引导细化网络（AttentionGuided Refinement Network，AGR-Net），这是一种CNN架构，它将轻量级的通道与空间注意力模块与残差特征细化模块相结合，以改进判别性特征学习，同时保持紧凑的参数规模。所提出的模型在CIFAR-10基准数据集上使用严格的实验方案进行评估，该方案包括数据增强、学习率调度和五折交叉验证。与基线架构（包括普通CNN、VGG-16、ResNet-18和MobileNetV2）的对比实验表明，AGR-Net实现了94.6%的top-1准确率，比最强基线高出1.8个百分点，同时使用的参数比ResNet-18少27%。消融研究证实，注意力模块和细化模块各自对准确率提升都有可测量的贡献。结果表明，注意力引导细化在准确率、效率和鲁棒性之间提供了有利的权衡，使所提出的架构适合部署在资源受限和实时的图像分类系统中。本文进一步讨论了所提出方法的优势、实际应用、局限性和未来研究方向。