随着计算机算力的提升和人工智能技术的快速发展,基于深度学习的算法被广泛应用在各种计算机视觉任务中,其中,多种基于卷积神经网络搭建的深度学习模型被相继提出,它们极大地推动了图像分类和目标检测等计算机视觉任务的发展。但是通过增加网络深度和设计更加复杂的网络模型来提升网络性能,往往是不可取的,尤其对于资源有限的移动设备和嵌入式设备。因此,设计高效的卷积神经网络模块来提高卷积神经网络对特征的提取能力是深度学习领域的迫切要求。其中,注意力机制就是一种高效的卷积神经网络模块,被应用到计算机视觉中的图像分类、目标检测和语义分割等任务中。本文从基于深度学习的注意力机制算法出发,以提高计算机视觉中图像分类和目标检测精度为目标,提出一种具有全局感受野的交换注意力机制,在增加少量参数量的情况下,提升图像分类和目标检测的精度。此外,本文在交换注意力的基础上提出了一种更适合移动设备和嵌入式设备的轻量交换注意力机制。本文主要研究内容和创新点如下:1、针对通道注意力忽略了空间信息,空间注意力通过池化层压缩通道维度后使用更大的卷积核来获得的仅是局部空间注意力的问题,本文提出了一种具有全局感受野的交换注意力机制。该方法首先通过在通道注意力中嵌入空间信息,然后交换通道维度和特征维度,使得卷积运算具有全局感受野。因此,在交换注意力中,生成的注意力权重可以从全局感受野上对局部特征进行重要性判断,从而卷积神经网络能更好地区分不同通道特征和不同空间特征的重要程度,增强有用特征的学习,抑制无用特征的学习,提升卷积神经网络的特征提取能力。2、将交换注意力嵌入图像分类网络模型中来提升图像分类网络的精度。本文将交换注意力嵌入Mobile Net V2、Resnet50、Shuffle Net V2网络结构中,在增加少量参数量的情况下,提升图像分类网络的性能。在Cifar10、Cifar100和Image Net数据集上验证交换注意力机制的有效性。3、将交换注意力嵌入目标检测网络模型中来提升目标检测网络的精度。本文将交换注意力嵌入SSD网络结构中,在增加少量参数量的情况下,提升目标检测网络的性能。在PASCAL VOC 0712数据集上验证交换注意力机制的有效性。4、针对资源有限的移动设备和嵌入式设备,本文在交换注意力机制的基础上进行优化,提出了一种更适合移动设备和嵌入式设备的轻量交换注意力,进一步减少注意力机制带来的参数和计算量。在Cifar10数据集上验证轻量交换注意力机制的有效性,并且在NVIDIA Jetson Nano上验证轻量交换注意力的有效性和可行性。