YOLOv9改进策略 ：图像去噪 |一种新颖的双分支残差注意，助力低光照、红外小目标检测 | 2024年最新发表（全网独家首发）

最新推荐文章于 2024-11-07 16:20:20 发布
最新推荐文章于 2024-11-07 16:20:20 发布
阅读量903 收藏 10
点赞数 9
分类专栏： YOLOv9魔术师 文章标签： 目标检测 人工智能 计算机视觉
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_63774211/article/details/138218375
版权
本文介绍了YOLOv9的改进策略，特别是引入了双分支残差注意网络（DRANet），包括残差注意力模块（RAB）和混合型扩张型残差注意力模块（HDRAB），以提升在低光照、红外小目标检测中的性能。文章详细阐述了DRANet的结构和优势，并讨论了如何将其整合进YOLOv9框架。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

  

  💡💡💡解决什么问题：许多网络不能很好地去除图像采集或传输过程中产生的真实噪声(即空间变异噪声)，这严重阻碍了它们在实际图像去噪任务中的应用。

 💡💡💡创新点：提出了一种新的双分支残差注意网络用于图像去噪，它具有广泛的模型架构和注意引导特征学习的优点。该模型包含两个不同的并行分支，可以捕获互补特征，增强模型的学习能力。我们分别设计了一种新的残差注意力(RAB)和一种新的混合型扩张型残差注意力(HDRAB)。

 💡💡💡如何跟YOLOv9结合：RAB和HDRAB引入到backbone

 💡💡💡本人在低光照、红外小目标数据集涨点惊喜

 改进1结构图如下：

了解本专栏 订阅专栏 解锁全文
YOLOv5独家原创改进：图像去噪 |一种新颖的双分支残差注意，助力低光照、红外小目标检测 | 2024年最新发表（全网独家首发）
04-25 1241
本人在低光照、红外小目标数据集涨点惊喜
InceptionNext:当Inception遇到ConvNeXt
AI浩
06-24 1490
回顾深度学习的历史[31]，卷积神经网络(Convolutional Neural Networks, cnn)[32,33]无疑是计算机视觉中最流行的模型。在2012年，AlexNet[30]赢得了ImageNet[11,50]比赛，开启了cnn在深度学习，尤其是计算机视觉领域的新时代。
注意力特征融合
m0_47867638的博客
08-02 1294
特征融合，即来自不同层或分支的特征的组合，是现代网络架构中无处不在的一部分。它通常通过简单的操作来实现，如求和或拼接，但这可能不是最佳选择。在这项工作中，我们提出了一种统一且通用的方案，即注意力特征融合，它适用于大多数常见场景，包括由短连接和长连接引起的特征融合以及Inception层内的特征融合。为了更好地融合不一致的语义和尺度的特征，我们提出了一个多尺度通道注意力模块，该模块解决了在融合不同尺度特征时出现的问题。
YOLOv9详细解读，改进提升全面分析（附YOLOv9结构图）
热门推荐
深度学习
02-27 2万+
如今的深度学习方法重点关注如何设计最合适的目标函数，从而使得模型的预测结果能够最接近真实情况。同时，必须设计一个适当的架构，可以帮助获取足够的信息进行预测。然而，现有方法忽略了一个事实，即当输入数据经过逐层特征提取和空间变换时，大量信息将会丢失。本文将深入研究数据通过深度网络传输时数据丢失的重要问题，即信息瓶颈和可逆函数。我们提出了可编程梯度信息（PGI）的概念，以应对深度网络实现多个目标所需的各种变化。PGI可以为目标任务提供完整的输入信息来计算目标函数，从而获得可靠的梯度信息来更新网络权重。
HCF-Net:用于红外小目标检测的分层上下文融合网络
m0_47867638的博客
04-20 2305
红外小目标检测是一项重要的计算机视觉任务，涉及在红外图像中识别和定位微小物体，这些物体通常仅包含几个像素。然而，由于物体尺寸极小以及红外图像中通常复杂的背景，这项任务面临困难。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了红外小目标检测的性能。具体来说，它包括并行补丁感知注意力（PPA）模块、维度感知选择性集成（DASI）模块和多空洞通道细化器（MDCR）模块。PPA 模块使用多分支特征提取策略来捕获不同尺度和级别的特征信息。DASI 模块实现自适应通道选择和融合。
YOLOv8独家原创改进：图像去噪 |一种新颖的双分支残差注意，助力低光照、红外小目标检测 | 2024年最新发表（全网独家首发）
04-25 1244
提出了一种新的双分支残差注意网络用于图像去噪，它具有广泛的模型架构和注意引导特征学习的优点
YOLOv7原创改进：图像去噪 |一种新颖的双分支残差注意，助力低光照、红外小目标检测 | 2024年最新发表（全网独家首发）
04-26 325
如何跟YOLOv7结合：RAB和HDRAB引入到backbone
YOLOv5改进 | 图像去噪篇 | 一种基于注意力机制的图像去噪网络ADNet融合YOLOv5（全网独家首发）
Snu77的博客
05-17 1082
本文给大家带来的改进机制是是一种专为图像去噪设计的深度学习模型，旨在解决合成噪声图像、真实噪声图像和盲去噪的挑战。它通过注意力机制提升性能，聚焦于相关特征，抑制无关噪声。其主要由四个模块组稀疏块（Sparse Block, SB）特征增强块（Feature Enhancement Block, FEB）注意力块（Attention Block, AB重建块（Reconstruction Block, RB）。本文内容为包含代码加解释加添加教程以及运行记录！欢迎大家订阅我的专栏一起学习YOLO！
YOLOv9改进策略 ：主干优化 | MobileViTAttention自注意力，更小、更轻、精度更高 ，性能优于MobileNetV3等
03-29 1978
有博客都是将MobileViT作为backbone引入YOLO，因此存在的问题点是训练显存要求巨大，因此本文引入自注意力(ViTs)：MobileViTAttention，从而实现高效涨点
YOLOv9改进策略 ：主干优化 | 无需TokenMixer也能达成SOTA性能的极简ViT架构 | CVPR2023 RIFormer
03-29 1234
RIFormerBlock引入到YOLOv9，多个数据集验证能够大幅度涨点
YOLOv9改进 | 一文带你了解全新的SOTA模型YOLOv9（论文阅读笔记，效果完爆YOLOv8）
Snu77的博客
02-22 1万+
YOLOv9发布时间为2024年2月21日是当前的SOTA模型，当今的深度学习方法专注于如何设计最合适的目标函数，以使模型的预测结果尽可能接近真实值。同时，还需要设计一个合适的架构，以便获取足够的信息进行预测。现有方法忽略了一个事实：当输入数据经过逐层的特征提取和空间变换时，会丢失大量信息。本文将深入探讨数据在深度网络中传输时数据丢失的重要问题，即信息瓶颈和可逆函数问题。我们提出了可编程梯度信息（PGI）的概念，以应对深度网络实现多个目标所需的各种变化。PGI能够为目标任务提供完整的输入信息。
YOLOv8改进 | 主干篇 | 轻量级的低照度图像增强网络IAT改进YOLOv8暗光检测（全网独家首发）
Snu77的博客
03-08 6859
本文给大家带来的改进机制是轻量级的变换器模型：Illumination Adaptive Transformer (IAT)，用于图像增强和曝光校正。其基本原理是通过分解图像信号处理器（ISP）管道到局部和全局图像组件，从而恢复在低光或过/欠曝光条件下的正常光照sRGB图像。具体来说，IAT使用注意力查询来表示和调整ISP相关参数，例如颜色校正、伽马校正。模型具有约90k参数和约0.004s的处理速度，能够在低光增强和曝光校正的基准数据集上持续实现优于最新技术（State-of-The-Art, SOTA）
YOLOv9改进策略 | 图像去雾 | 利用图像去雾网络UnfogNet辅助YOLOv9进行图像去雾检测（全网独家首发）
Snu77的博客
05-20 2016
本文给大家带来的改进机制是利用UnfogNet超轻量化图像去雾网络，我将该网络结合YOLOv9针对图像进行去雾检测（也适用于一些模糊场景），我将该网络结构和YOLOv9的网络进行结合同时该网络的结构的参数量非常的小，我们将其添加到模型里增加的计算量和参数量基本可以忽略不计这是非常难得的，因为其也算是一种图像增强算法，同时本文的内容不影响其它的模块改进可以作为工作量凑近大家的论文里，非常的适用，图像去雾检测为群友最近提出的需要的改进。欢迎大家订阅我的专栏一起学习YOLO！
YOLOv9改进策略目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
Snu77的博客
05-13 1万+
Hello，各位读者们好本专栏自开设两个月以来已经更新改进教程50余篇其中包含RepNCSPELAN4、主干、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新。同时本人一些讲解视频和包含我所有创新的YOLOv9文档并不能在CSDN上传(所有的创新点都经过我的测试是可用的，得到该文件之后大家可以随意组合使用)，所以会建立群的形式在内上传我的文件和视频我也会在群内不定期和大家交流回答大家问题，同时定期会更新一些文章的创新点(经过我融合测试后的，先到先得)。
YOLOv9最新改进系列：YOLOv9改进加入新型高效的多尺度注意力（EMA）模块保留每个通道的信息并减少计算成本！助力v9检测性能遥遥领先！
B站 Ai学术叫叫兽的文案地
04-18 2899
YOLOv9最新改进系列：YOLOv9改进加入新型高效的多尺度注意力（EMA）模块保留每个通道的信息并减少计算成本！助力v9检测性能遥遥领先！
【YOLOv8改进[Backbone]】使用ADNet改进YOLOv8在噪声干扰下的目标检测效果--图像去噪
静谧、淡雅
05-17 398
【图像去噪】使用ADNet改进YOLOv8在噪声干扰下的目标检测效果
YOLOv9改进，YOLOv9添加SCConv(空间和通道重构卷积)，实现高效涨点
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
07-25 320
卷积神经网络 (CNN) 在各种计算机视觉任务中取得了卓越的表现，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了冗余特征。最近的研究要么压缩训练有素的大规模模型，要么探索精心设计的轻量级模型。在本文中，我们尝试利用特征之间的空间和通道冗余进行 CNN 压缩，并提出一种高效的卷积模块，称为 SCConv（空间和通道重构卷积），以减少冗余计算并促进代表性特征学习。提出的 SCConv 由两个单元组成：空间重构单元 (SRU) 和通道重构单元 (CRU)。
YOLOv9最新改进系列：YOLOv9融合BoTNet模块，融合CNN+自然语言处理技术的优势，有效提升检测效果！
B站 Ai学术叫叫兽的文案地
04-08 815
YOLOv9最新改进系列：YOLOv8融合BoTNet模块，融合CNN+自然语言处理技术的优势，有效提升检测效果！
YOLOv8相较于YOLOv5有哪些改进？
最新发布
千天夜的博客
11-07 2081
综上所述，YOLOv8相比YOLOv5在算法上进行了多项改进，这些改进使得YOLOv8在目标检测任务中表现出更高的性能和准确性。
评论 3
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

AI小怪兽

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