YOLOv8独家改进：逐元素乘法（star operation）二次创新 | 微软新作StarNet：超强轻量级Backbone CVPR 2024

已于 2024-06-11 09:44:15 修改
阅读量725 收藏 5
点赞数 7
分类专栏： YOLOv8原创自研 文章标签： YOLO microsoft 目标检测 人工智能 计算机视觉 开发语言
于 2024-05-14 09:14:30 首次发布
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/138836714
版权
YOLOv8原创自研 专栏收录该内容
110 篇文章 94 订阅 ¥299.90 ¥399.90
订阅专栏
本文介绍了将StarNet的逐元素乘法创新引入YOLOv8，通过创建新的backbone模块提升目标检测性能。StarNet展示出在不增加网络宽度的情况下，将输入映射到高维非线性特征空间的能力。详细步骤和源码提供了如何在YOLOv8的C2f部分应用StarNet，并鼓励读者进行网络魔改和创新。
摘要由CSDN通过智能技术生成

 💡💡💡创新点：star operation（元素乘法）在无需加宽网络下，将输入映射到高维非线性特征空间的能力，逐元素乘法（star operation）在性能上始终优于求和，基于star operation块做二次创新

 💡💡💡如何跟YOLOv8结合：替代YOLOv8的C2f，结构图如下

 

收录

YOLOv8原创自研

了解本专栏 订阅专栏 解锁全文
AI小怪兽
关注
  • 7
    点赞
  • 踩
  • 5
    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独家改进：backbone改进 | 微软新作StarNet：超强轻量级Backbone | CVPR 2024
05-14 1672
star operation（元素乘法）在无需加宽网络下，将输入映射到高维非线性特征空间的能力
YoloV8改进策略：主干网络篇|StarNet，重写星操作
m0_47867638的博客
06-17 1250
最近的研究已经引起了人们对网络设计中“星操作”（元素级乘法）尚未开发的潜力的关注。尽管直观的解释很多，但其应用背后的基本原理仍然在很大程度上未被探索。我们的研究试图揭示星操作将输入映射到高维、非线性特征空间的能力——类似于核技巧——而无需加宽网络。我们还引入了StarNet，这是一个简单但功能强大的原型，它在紧凑的网络结构和有限的预算下展示了令人印象深刻的性能和低延迟。就像天空中的星星一样，星操作看似普通，但蕴含着巨大的潜力。
Rewrite the Stars
AI浩
05-30 895
摘要 https://arxiv.org/pdf/2403.19967 最近的研究已经引起了人们对网络设计中“星操作”（元素级乘法）尚未开发的潜力的关注。尽管直观的解释很多，但其应用背后的基本原理仍然在很大程度上未被探索。我们的研究试图揭示星操作将输入映射到高维、非线性特征空间的能力——类似于核技巧——而无需加宽网络。我们还引入了StarNet，这是一个简单但功能强大的原型，它在紧凑的网络结构和有限的预算下展示了令人印象深刻的性能和低延迟。就像天空中的星星一样，星操作看似普通，但蕴含着巨大的潜力。我们的工作
122FPS，51.9mAP 超轻量关键点检测算法PP-TinyPose来啦！
weixin_40920183的博客
11-21 1390
在人机交互场景中，机器可以识别人的手势、肢体动作、表情，你可知背后的核心技术是什么吗？没错，就是关键点检测技术，它能帮你实现精准的人机交互任务，如手势控制、智能健身、体感游戏等， 还可以识...
YOLOv8-Seg改进：轻量化改进 | MobileNetV3，轻量级骨架首选
会AI的学姐
01-10 587
MobileNetV3的创新点包括：使用自适应瓶颈宽度、借鉴SENet中的Squeeze-and-Excitation机制、引入h-swish激活函数等。
YOLOv8-Seg改进：自适应改变核大小卷积AKConv，效果优于标准卷积核和DSConv |2023.11月最新成果
会AI的学姐
11-27 799
AKConv 中，通过新的坐标生成算法定义任意大小的卷积核的初始位置。 为了适应目标的变化，引入了偏移量来调整每个位置的样本形状。 此外，我们通过使用具有相同大小和不同初始采样形状的 AKConv 来探索神经网络的效果。 AKConv 通过不规则卷积运算完成高效特征提取的过程，为卷积采样形状带来更多探索选择。直接代替标准卷积使用
轻量级关键点检测Simple and Lightweight Human Pose Estimation
weixin_39326879的博客
05-07 1930
为什么要研究轻量级关键点检测？ 一方面是大型网络耗时占内存、需要较高计算算力的平台，另外一方面，有很多简单的关键点检测任务，不需要大型网络来拟合，大型网络反而容易过拟合； Simple and Lightweight Human Pose Estimation 首先，我们来先解释下什么是bottleneck block bottleneck block A BottleNeck block is ...
YOLOv5独家原创改进：逐元素乘法（star operation）结合C3二次创新 | 微软新作StarNet：超强轻量级Backbone CVPR 2024
05-14 375
逐元素乘法（star operation）在性能上始终优于求和，基于star operation块做二次创新
YOLOv9独家原创改进： 主干backbone优化 | 微软新作StarNet：超强轻量级Backbone CVPR 2024
05-21 721
StarNet轻量级backbone改进结果如下，238.9 GFLOPs降低至192.7 GFLOPs
YOLOv9独家原创改进： 逐元素乘法（star operation）结合C2f二次创新 | 微软新作StarNet：超强轻量级Backbone CVPR 2024
05-15 488
逐元素乘法（star operation）在性能上始终优于求和，基于star operation块做二次创新
高精度轻量级的人脸关键点检测算法
01-25
针对当前人脸关键点检测算法网络模型复杂度高、在计算资源受限时不利于部署的问题,基于知识蒸馏思想,提出了一种高精度、轻量级的人脸关键点检测算法。通过改进残差网络(ResNet50)中的Bottleneck模块并引入分组反卷积,得到轻量级的学生网络。同时提出逐像素损失函数和逐像素对损失函数,通过对齐教师网络与学生网络的输出特征图与中间特征图,将教师网络的先验知识迁移至学生网络,从而提高学生网络的检测精度。实验结果表明,本算法得到的学生网络参数量为2.81M,模型大小为10.20MB,在GTX1080显卡上的每秒传输帧数为162frame,在300W和WFLW数据集上的平均误差分别为3.60%和5.50%。
YOLOv8改进 添加新型卷积注意力框架SegNext_Attention
分享一些自己改进代码的实例
01-02 2828
本文在yolov8中加入新型卷积注意力框架SegNext_Attention，能够更好地利用全局上下文信息，并且能够对感兴趣的区域进行更加准确的注重，从而提高图像分割的性能。
改进YOLOv8 | 主干网络篇 | YOLOv8 更换主干网络之 StarNet | 《重写星辰⭐》
YOLOv8项目贡献者
06-12 2185
YOLOv8 更换主干网络之 StarNet
YOLOv8-pose在ncnn框架下部署过程记录（包含ncnn、pnnx安装以及模型结构更改及转换）
Rachel321的专栏
04-26 5097
YOLOv8-pose在ncnn框架下部署过程记录（包含ncnn、pnnx安装以及模型结构更改及转换）
YOLOv8_Pose使用TensorRT-Alpha部署自己训练的关键点模型
qq_42845499的博客
04-18 430
要注意的是同一副图里有多个目标的时候，每个目标的box和keypoint要设置成同一个group_id,如图所示。两个关键点修改成如图，m_output_objects_width根据后面的公式自己计算。后处理函数中的参数也要自己计算修改，这个参数为xywhc + points * 17。上图的一个目标有两个关键点head和tail以及一个box fish。修改app_yolov8_pose.cpp。将训练得到的pt模型导出并转换，参考。修改yolov8_pose.cpp。修改utils.cpp。
Yolov8-pose关键点检测：卷积魔改 | 变形条状卷积，魔改DCNv3二次创新
05-07 248
变形条状卷积，DCNv3改进版本，小幅涨点的前提下相比较DCNv3大幅度运算速度
基于卷积网络的轻量级人脸关键点检测--惠晓伟
xu.hyj
09-28 1239
惠晓伟. 基于卷积网络的轻量级人脸关键点检测[D]. 黑龙江:哈尔滨工业大学,2018. 文章是一篇硕士论文，实现了一个以SqueezeNet为基础网络，基于多任务并行机制和网络预训练的77点人脸关键点检测网络，同时引入： 区域注意力机制：本质时损失函数的权值自适应，有效缓解损失函数不平衡问题 区域融合：吸收检测网络中global和local输出，并对结果进行继承，提高精度 1. 数据集2. 任务描述和算法设计2.1 改进的标准化均方误差2.2 人脸对齐2.2.1 传统人脸对齐2.2.2 传统人脸.
YOLOv8-pose（1）- 关键点检测数据集格式详解+快速训练+预测结果详解
最新发布
qq_40387714的博客
07-20 3258
实现YOLOv8-pose的快速使用：yolov8-pose关键点检测数据集的格式、标注与迭代；实现训练一个yolov8-pose模型；输出测试结果与分析。
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

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