本文介绍了如何结合ICLR 2022的ODConv和ConvNeXt技术增强YOLO的目标检测性能，特别是在小目标检测方面的提升。通过在YOLOv5中加入ODConv和ConvNeXt，实现网络结构的优化，并通过修改配置文件进行实验，验证了这种结合在多个数据集上的有效性。
1.涨点神器结合，助力YOLO
1.1 ICLR 2022涨点神器——即插即用的动态卷积ODConv
论文：Omni-Dimensional Dynamic Convolution
论文地址：Omni-Dimensional Dynamic Convolution | OpenReview
ODConv通过并行策略引入一种多维注意力机制以对卷积核空间的四个维度学习更灵活的注意力。上图给出CondConv、DyConv以及ODConv的差异图。延续动态卷积的定义，ODConv可以描述成如下形式：其中，表示卷积核的注意力标量
表示新引入的三个注意力，分别沿空域维度、输入通道维度以及输出通道维度。这四个注意力采用多头注意力模块 计算得到
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
