结合创新！ResNet+Transformer，高性能低参数，准确率达99.12％

今天给各位介绍一个发表高质量论文的好方向：ResNet结合Transformer。

ResNet因其深层结构和残差连接，能够有效地从图像中提取出丰富的局部特征。同时，Transformer的自注意力机制能够捕捉图像中的长距离依赖关系，为模型提供全局上下文信息。

这种策略结合了两者分别在处理空间、序列数据上的优势，强化了模型特征提取和全局理解方面的能力，让模型在保持强大的局部分析能力的同时，也能够利用全局信息来进一步提升性能。 比如高性能低参数的SpikingResformer，以及准确率高达99.12％的EfficientRMT-Net。

本文整理了9种ResNet结合Transformer的创新方案，并简单提炼了可参考的方法以及创新点，希望能给各位的论文添砖加瓦。

论文以及开源代码需要的同学看文末

SpikingResformer: Bridging ResNet and Vision Transformer in Spiking Neural Networks

方法：本文介绍了一种新型的脉冲自注意机制，名为双脉冲自注意（DSSA），以及基于该机制的脉冲视觉Transformer架构——SpikingResformer。DSSA通过双脉冲转换生成脉冲自注意，完全基于脉冲驱动且与SNN兼容。SpikingResformer结合了ResNet多阶段设计和提出的脉冲自注意机制，实现了更好的性能和更低的参数和能耗。

创新点：

提出了一种名为Dual Spike Self-Attention（DSSA）的新型脉冲自注意机制，通过Dual Spike Transformation实现脉冲自注意，完全适用于脉冲神经网络（SNNs）。
提出了一种名为SpikingResformer的创新脉冲Vision Transformer架构，将ResNet-based多阶段架构与DSSA结合，提高性能和能量效率，并减少参数数量。在ImageNet上，SpikingResformer-L的top-1准确率达到了79.40%，是SNN领域的最好结果。

EfficientRMT-Net—An Efficient ResNet-50 and Vision Transformers Approach for Classifying Potato Plant Leaf Diseases

方法：论文将Vision Transformer（ViT）和ResNet-50架构整合到一个名为EfficientRMT-Net的新模型中，可以有效准确地识别各种土豆叶病。EfficientRMT-Net利用卷积神经网络（CNN）模型进行不同特征提取，并采用深度卷积（DWC）来降低计算需求。还采用阶段块结构来改善可扩展性和敏感区域检测，增强不同数据集的可迁移性。

创新点：

EfficientRMT-Net模型在普通图像数据集上的准确率为97.65％，在专门的土豆叶图像数据集上为99.12％，优于现有方法。
EfficientRMT-Net结合了ResNet-50、Vision Transformer(ViT)、depth-wise convolution (DWC)等架构和技术，提高了模型的准确性和效率。
EfficientRMT-Net模型具有较高的分类准确率、敏感性、特异性、精确度和F1分数。

Swin transformer and ResNet based deep networks for low-light image enhancement

方法：通过结合Swin Transformer和ResNet，开发一种用于低光图像增强的Swin Transformer和ResNet基于的生成对抗网络（STRN）。STRN的生成器由浅层特征提取、深层特征提取和高质量图像重建模块组成，通过使用RSTB-DRB块来计算全局和局部注意力。

创新点：

引入Transformer网络：相比于基于卷积神经网络（CNN）的方法，Transformer网络通过自注意力机制可以捕捉到长距离上下文之间的交互作用，从而提高了低光图像增强的性能。
引入DRB（Dense Residual Block）：DRB不仅可以提取局部特征，还可以提高RSTB（Recurrent Squeeze-and-Transform Block）的稳定性训练，从而进一步提升了算法的性能。