即插即用 | SA模块携Shuffle Attention带你CV全任务涨点（文末获取论文与源码）（二）

4.实验结果

4.1 Classification on ImageNet-1k

通过上表可以看出，在几乎相同的计算复杂度的情况下，基于SA-Net构建的Backbone的结果更加的精确，超越当前所有的SOTA attention模型，例如SENet、CBAM、SGE-Net以及ECA-Net。

4.2 Object Detection on MS COCO

把SA模块插入到目标检测的Backbone中同样会有比较明显的涨点。

4.3 Instance Segmentation on MS COCO

把SA模块插入到Instance Segmentation的Backbone中同样会有比较明显的涨点。

4.4 Visualization

5 参考

[1].SA-NET: SHUFFLE ATTENTION FOR DEEP CONVOLUTIONAL NEURAL NETWORKS

[2].https://github.com/wofmanaf/SA-Net/blob/main/models/sa_resnet.py