最近“CNN+Transformer+Attention”这个方向，在顶会顶刊上频频出成果，比如IEEE TII上的双条件领域自适应方法CFBDAM就很有代表性。
其实这倒也不意外，因为这个组合刚好解决了“单一模型有局限”的实际难题，所以CV、NLP、多模态等领域都很需要它。更别提工业界现在非常青睐这类能提性能、增效率，还能降低部署成本的混合架构。
理所当然的，它现在成了学术界和工业界的“香饽饽”，研究前景特别广。目前不管是优化组件、探索新组合，还是在新场景里突破，都有不少发论文的机会。
我整理了12篇CNN+Transformer+Attention最新论文，大多是顶会顶刊成果，还附带代码。想发论文的小伙伴，建议先看看这些成果了解前沿，再针对性搞创新，会更高效。
扫码添加小享，回复“热点组合”
免费获取全部论文+开源代码
Exploring Informative and Highly-Transferable Features for Cross-Machine Fault Diagnosis by ConvFormer-Based Biconditional Domain Adaptation Method
方法：本文提出了一种跨机器故障诊断方法CFBDAM，它通过CNN提取局部特征、Transformer提取全局特征，并利用注意力机制融合这些特征，从而生成具有高迁移性的故障特征，有效提升跨机器故障诊断的准确性。
创新点：
提出了一种新颖的基于ConvFormer的双条件域适应方法，用于准确的跨机器故障诊断。 设计GLFE模块，用CNN和Transformer提取局部和全局特征，再通过CAFF融合。 引入BDA策略，结合机器域和故障类别信息，增强特征的可迁移性。
Efficient Attention-Sharing Information Distillation Transformer for Lightweight Single Image Super-Resolution
论文：本文提出ASID网络，融合CNN提取局部特征、Transformer捕捉长距离依赖以及注意力机制共享信息，在保持与现有超分辨率方法相当性能的同时，仅需约300K参数，显著优于现有的CNN和Transformer基超分辨率模型。
创新点：
提出ASID网络，结合CNN和Transformer，高效提取局部和全局特征。 设计了信息蒸馏块，通过层次化特征提取和注意力共享，减少计算负担，同时保持信息完整性。 引入了注意力共享和通道分割技术，实现轻量级超分辨率，仅需约300K参数，性能优于现有方法。
扫码添加小享，回复“热点组合”
免费获取全部论文+开源代码
MATCNN: Infrared and Visible Image Fusion Method Based on Multi-scale CNN with Attention Transformer
方法：论文提出了一种基于CNN和Transformer的图像融合方法，利用CNN提取局部特征，Transformer提取全局特征，通过注意力机制增强关键信息，实现红外和可见光图像的融合。
创新点：
提出多尺度融合模块，通过多尺度卷积网络提取不同尺度的局部特征，增强图像细节。 设计全局特征提取模块，基于Transformer提取全局特征，提升图像的整体特征表达。 引入信息掩码，结合内容、结构相似性和全局特征损失的优化算法，提高融合效果。
CFFormer: Cross CNN-Transformer Channel Attention and Spatial Feature Fusion for Improved Segmentation of Low-Quality Medical Images
方法：CFFormer是一种新型的医学图像分割模型，它结合了CNN的局部特征提取能力、Transformer的全局特征建模能力以及注意力机制，通过CFCA模块和XFF模块优化特征交互和融合，从而提高低质量医学图像的分割效果。
创新点：
提出CFFormer模型，结合CNN和Transformer，通过CFCA模块实现特征交互，增强特征表达。 引入XFF模块，有效融合CNN和Transformer的特征，提升空间特征融合能力。 在多个医学图像数据集上验证模型，证明其在低质量图像分割任务中的优越性能和泛化能力。
扫码添加小享，回复“热点组合”
免费获取全部论文+开源代码
