Unet改进28：添加PPA(2024最新改进方法)|多分支特征提取策略，捕获不同尺度和层次的特征信息。

最新推荐文章于 2024-09-08 22:28:13 发布
最新推荐文章于 2024-09-08 22:28:13 发布
阅读量265 收藏
点赞数 5
分类专栏： Unet改进专栏 文章标签： 深度学习 神经网络 unet 语义分割
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_51530640/article/details/142022725
版权

本文内容：在不同位置添加PPA

目录

论文简介

1.步骤一

2.步骤二

3.步骤三

4.步骤四

论文简介

红外小目标检测是一项重要的计算机视觉任务，涉及对红外图像中通常只有几个像素的微小目标进行识别和定位。然而，由于红外图像中物体的体积小，背景一般比较复杂，这给红外图像的识别带来了困难。在本文中，我们提出了一种深度学习方法HCF-Net，通过多个实用模块显著提高红外小目标检测性能。

具体来说，它包括并行化的补丁感知注意(PPA)模块、维度感知选择性集成(DASI)模块和多扩展通道细化(MDCR)模块。PPA模块采用多分支特征提取策略，捕获不同尺度和层次的特征信息。DASI模块支持自适应信道选择和融合。MDCR模块通过多个深度可分卷积层捕获不同感受野范围的空间特征。在SIRST红外单帧图像数据集上的大量实验结果表明，所提出的HCF-Net优于其他传统和深度学习模型。

1.步骤一

新建blocks/hcfnet.py文件，添加如下代码：


                

        

        

    

  


        

            

                

                

                了解本专栏
                
                
                  
                订阅专栏 解锁全文
                 
                
                    
                    超级会员免费看
                
            

            
            
            
        

    

      

        

            

              
                
                  AICurator
                
              
            

            

                关注
              
            

        

        

          
    
            
  • 
              
                
                
                
                
                    5
                
              
              
    点赞
    
            
    • 
            
  • 
              
                
                
                
              
              
    踩
    
            
    • 
            
  • 
              
                
                
                
                
                    0
                
              
              
    
                
    
                  
                    收藏
                  
                
    
              
    
              
    
                
    
                  觉得还不错?
                  
                    一键收藏
                  
                 
                
    
              
    
            
    • 
                
  • 
                  
                    打赏
                    
                  
                  
    打赏
    
                
    • 
          
  • 
            
    
              
              
            
    
              
              
              
                    0
              
            
            
    评论
    
          
    • 
          
  • 
          
    • 
          
  • 
            
              
            
              
    
            
              
                
            
    
          
    • 
        

      

      

            

                专栏目录
          

                

                        订阅专栏
                










                



	

		

			

				
					
YOLOv8独家原创改进：多层次特征融合（SDI）结合PConv、DualConv、GSConv，实现二次创新 | UNet v2最新论文

				
			

			

				

					
				

				

					01-12
					
					2393
					
				

			

		

		

			
				
多层次特征融合（SDI）高效结合DualConv、PConv、GSConv等实现二次创新

			
		

	



                

              
                



	

		

			

				
					
YOLOv9改进策略 | 细节涨点篇 | UNetv2提出的一种SDI多层次特征融合模块（含二次创新机会）

				
			

			

				

					Snu77的博客
				

				

					04-20
					
					2957
					
				

			

		

		

			
				
本问给大家带来的改进机制是UNetv2提出的一种多层次特征融合模块（SDI）其是一种用于替换Concat操作的模块，SDI模块的主要思想是通过整合编码器生成的层级特征图来增强图像中的语义信息和细节信息。该方法已在多个公开的医学图像分割数据集上进行了验证，包括皮肤病变分割和息肉分割，展示了其在这些分割任务中相比于现有方法的效果。所以其的一开始提出使用于分割，但是其也可以用于目标检测，亲测效果非常好，同时该结构主要是可以用于替换我们各种Neck中的结构形成二次创新比如之前的BiFPN，

			
		

	



                


  
              

                


	

		

			

				
					
YOLOv8改进 | 细节涨点篇 | UNetv2提出的一种SDI多层次特征融合模块（分割高效涨点）

				
			

			

				

					Snu77的博客
				

				

					01-15
					
					4338
					
				

			

		

		

			
				
到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv8改进有效涨点专栏，本专栏目前为新开的平均质量分98分，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~YOLOv8改进系列专栏——本专栏持续复习各种顶会内容——科研必备。

			
		

	





	

		

			

				
					
学习各种目标检测的FPN（多层次特征融合）

				
			

			

				

					weixin_42495721的博客
				

				

					09-09
					
					5957
					
				

			

		

		

			
				
单阶段物体检测算法：
早期的物体检测算法，无论是一步式的，还是两步式的，通常都是在Backbone的最后一个stage（特征图分辨率相同的所有卷积层归类为一个stage）最后一层的特征图，直接外接检测头做物体检测。此种物体检测算法，可以称之为单stage物体检测算法。
由于单stage物体检测算法中，Backbone的最后一个stage的stride通常是32，导致输出的特征图分辨率是输入图片分辨率的1/32，太小，不利于物体检测，因此单stage的物体检测算法，一般会将最后一个stage的MaxPooli

			
		

	



		

			
		



	

		

			

				
					
A+B依旧可以卷！多尺度特征融合+注意力机制，新SOTA准确率高达99%

				
			

			

				

					学姐带你玩AI的博客
				

				

					06-13
					
					2029
					
				

			

		

		

			
				
在处理复杂实际问题时，我们可以结合多尺度特征融合和注意力机制，让模型不仅能从多个尺度上捕获丰富的特征信息，还可以专注于输入中的关键部分，来提高模型的泛化能力和性能。具体到图像处理领域，这种方法就是允许模型从高分辨率下捕捉到细微的纹理和边缘信息，同时在低分辨率下维持对整体场景布局的感知。比如基于多尺度特征融合和双线性注意力机制的木材近红外光谱分类方法BACNN，实验证明它在测试集上达到了99.3%的准确率。

			
		

	





	

		

			

				
					
Unet改进19：添加ScConv||用于特征冗余的空间和通道重构卷积

				
			

			

				

					m0_51530640的博客
				

				

					09-02
					
					1050
					
				

			

		

		

			
				
卷积神经网络(cnn)在各种计算机视觉任务中取得了显著的性能，但这是以巨大的计算资源为代价的，部分原因是卷积层提取冗余特征。最近的作品要么压缩训练有素的大型模型，要么探索设计良好的轻量级模型。在本文中，我们尝试利用特征之间的空间和通道冗余来进行CNN压缩，并提出了一种高效的卷积模块，称为SCConv (spatial and channel reconstruction convolution)，以减少冗余计算并促进代表性特征的学习。

			
		

	





	

		

			

				
					
Unet改进10：在不同位置添加CPCA||通道先验卷积注意力机制

				
			

			

				

					m0_51530640的博客
				

				

					08-29
					
					845
					
				

			

		

		

			
				
低对比度和显著的器官形状变化等特征经常出现在医学图像中。现有注意机制的自适应能力普遍不足，限制了医学影像分割性能的提高。本文提出了一种有效的通道先验卷积注意(CPCA)方法，该方法支持通道和空间维度上注意权重的动态分布。通过采用多尺度深度卷积模块，有效地提取空间关系，同时保留先验通道。CPCA具有聚焦信息渠道和重点区域的能力。提出了一种基于CPCA的医学图像分割网络CPCANet。CPCANet在两个公开可用的数据集上进行验证。

			
		

	





	

		

			

				
					
YOLOv10涨点改进：特征融合创新 | 多层次特征融合（SDI），小目标涨点明显，| UNet v2，比UNet显存占用更少、参数更少

				
			

			

				

					
				

				

					06-05
					
					602
					
				

			

		

		

			
				
多层次特征融合（SDI），小目标涨点明显，| UNet v2，比UNet显存占用更少、参数更少

			
		

	





	

		

			

				
					
Unet改进21：添加AKConv||具有任意采样形状和任意数目参数的卷积核

				
			

			

				

					m0_51530640的博客
				

				

					09-04
					
					514
					
				

			

		

		

			
				
摘要。基于卷积运算的神经网络在深度学习领域取得了显著的成果，但标准卷积运算存在两个固有缺陷。一方面，卷积运算被限制在一个局部窗口，不能从其他位置捕获信息，并且其采样形状是固定的;另一方面，卷积核的大小是固定为k × k的，它是一个固定的方形形状，参数的数量往往与大小成正比。很明显，在不同的数据集和不同的位置，目标的形状和大小是不同的。具有固定样本形状和正方形的卷积核不能很好地适应不断变化的目标。

			
		

	





	

		

			

				
					
深度学习回归任务训练代码模版

				
			

			

				

					欢迎来到槐月初叁的博客
				

				

					09-05
					
					1099
					
				

			

		

		

			
				
深度学习回归任务训练代码模版

			
		

	





	

		

			

				
					
基于聚类与LSTM对比特币价格深度分析与预测

					
最新发布

				
			

			

				

					m0_53814833的博客
				

				

					09-08
					
					601
					
				

			

		

		

			
				
本项目对比特币市场进行了全面而深入的分析，采用多种技术指标和数据分析方法，揭示了比特币价格动态和市场行为的关键特征，详细刻画了比特币的市场波动性。

			
		

	





	

		

			

				
					
基于深度学习的结构优化与生成

				
			

			

				

					weixin_42605076的博客
				

				

					09-07
					
					1059
					
				

			

		

		

			
				
基于深度学习的结构优化与生成技术通过自动生成和优化结构设计，为工程和工业应用带来了巨大的潜力。随着算法的不断改进和计算资源的增加，深度学习有望在未来推动结构设计的革命性变化，带来更高效、更创新的设计流程。

			
		

	





	

		

			

				
					
深度学习的发展历程

				
			

			

				

					木亦汐丫
				

				

					09-04
					
					1107
					
				

			

		

		

			
				
深度学习起源和发展，机器学习中，我们经常使用两种方式来表示特征：局部表示和分布式表示；深度学习是将原始的数据特征通过多步的特征转换得到一种特征表示，并进一步输入到预测函数得到最终结果。深度学习以神经网络为主要模型，一开始用来解决机器学习中的表示学习问题。但是由于其强大的能力，其后深度学习越来越多地用来解决一些通用人工智能问题，比如推理、决策等，广泛应用于车牌识别、人脸识别、语音识别、智能助手、推荐系统、自动驾驶等重大领域。

			
		

	





	

		

			

				
					
深度学习从入门到精通——感知损失介绍及基本实现

				
			

			

				

					swpucwf的博客
				

				

					09-04
					
					4972
					
				

			

		

		

			
				
Perceptual Losses感知损失
感知损失
图像转换问题（image transformation tasks），输入一副图像转换成另一幅图像输出。现有方法来解决的图像转换问题，往往以监督训练的方式，训练一个前向传播的网络，利用的就是图像像素级之间的误差。这种方法在测试的时候非常有效，因为仅仅需要一次前向传播即可。但是，像素级的误差没有捕获输出和ground-truth图像之间的感知区别（perceptual differences）。
高质量的图像可以通过定义和优化perceptual loss

			
		

	





	

		

			

				
					
【深度学习讲解笔记】前言

				
			

			

				

					i156456365的博客
				

				

					09-08
					
					74
					
				

			

		

		

			
				
小编为AI专业的本科学生，最近入手了一本《深度学习讲解》的书，由于封面画了苹果🍎，所以也叫苹果书，这本书目前在全网的热度很高。本系列博客的目的就是以笔记的形式记录一些重点以及我个人的理解，由于小编也是小白，所以理解不准确还望指正。

			
		

	





	

		

			

				
					
基于深度学习的对抗鲁棒性增强

				
			

			

				

					weixin_42605076的博客
				

				

					09-04
					
					816
					
				

			

		

		

			
				
基于深度学习的对抗鲁棒性增强方法在不断进化，通过对抗训练、模型正则化、输入预处理、模型集成、元学习和自适应防御等多种策略，大大提升了深度学习模型的安全性和可靠性。未来，随着新技术的引入和研究的深入，模型的对抗鲁棒性将得到进一步提升，为各类应用场景提供更加稳健的保障。

			
		

	





	

		

			

				
					
深度学习——强化学习算法介绍

				
			

			

				

					swpucwf的博客
				

				

					09-03
					
					1947
					
				

			

		

		

			
				
强化学习讨论的问题是一个智能体(agent) 怎么在一个复杂不确定的环境(environment)里面去极大化它能获得的奖励。

			
		

	





	

		

			

				
					
深度学习-01 Pytorch

				
			

			

				

					qq_53568730的博客
				

				

					09-08
					
					440
					
				

			

		

		

			
				
PyTorch是一个开源的机器学习框架，它提供了一个灵活的高级接口，可以帮助开发者构建神经网络模型以及进行深度学习的训练和推理。此外，Tensboard还提供了可视化工具，可以显示模型中的权重、梯度和激活值的分布情况，帮助我们分析模型的表现和瓶颈。通过使用transforms模块，可以对原始数据进行多种操作，如缩放、裁剪、旋转、翻转、标准化等，以便更好地适应模型的训练要求。5.深度学习框架的完整功能：PyTorch提供了许多用于构建和训练深度学习模型的工具和功能，如各种层、优化算法和损失函数等。

			
		

	





	

		

			

				
					
unet和vision transformer提取的特征有什么不同

				
			

			

				

					05-24
				

			

		

		

			
				
UNet和Vision Transformer是两种不同的模型架构，用于图像分割和图像分类任务。它们的特征提取方法也有所不同。

UNet是一种基于卷积神经网络的图像分割模型，其主要特点是在编码器中使用了卷积层来提取图像的特征，然后在解码器中使用反卷积层将特征图还原到输入图像大小。在UNet中，卷积层负责提取低级特征，而反卷积层负责提取高级特征。

Vision Transformer是一种基于自注意力机制的图像分类模型，其主要特点是使用自注意力机制来提取图像的特征。在Vision Transformer中，输入图像被划分为一组小的图像块，然后对每个图像块进行特征提取。通过自注意力机制，模型可以学习到不同图像块之间的相互关系，从而更好地捕捉全局信息。

因此，UNet和Vision Transformer的特征提取方法存在较大的差异。UNet主要依赖于卷积层和反卷积层的组合来提取特征，而Vision Transformer主要依赖于自注意力机制来提取特征。同时，UNet主要用于图像分割任务，而Vision Transformer主要用于图像分类任务。

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

	
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  





	
打赏作者

	

		

		
			
		
		

		

			
AICurator

			
你的鼓励将是我创作的最大动力

		

	

	

			

	

	

    ¥1
    ¥2
    ¥4
    ¥6
    ¥10
    ¥20
	

	

		

			

				

					扫码支付：¥1
				

				

					

					
					获取中
					

				

				

					
					
					扫码支付
				

			

		

		

			
您的余额不足，请更换扫码支付或充值

			
打赏作者

		

	



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值