YOLO11涨点优化：注意力魔改 | EMA：基于跨空间学习的高效多尺度注意力，效果优于ECA、CBAM、CA

已于 2024-10-09 20:35:53 修改
阅读量246 收藏
点赞数
分类专栏： YOLO11魔术师 文章标签： YOLO 目标检测 人工智能 开发语言 计算机视觉
于 2024-10-09 10:42:54 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/142779864
版权

💡💡💡本文改进内容：加入EMA注意力，一种基于跨空间学习的高效多尺度注意力，效果优于ECA、CBAM、CA等经典注意力。

 💡💡💡本文改进：分别加入到YOLO11的backbone、neck、detect，助力涨点

改进1结构图：

改进2结构图：

改进3结构图：

   

了解本专栏 订阅专栏 解锁全文
Yolov5/Yolov7改进---注意力机制：ICASSP2023 EMA基于跨空间学习的高效多尺度注意力、效果优于ECA、CBAM、CA | 小目标涨点明显
06-25 2692
yolov5引入ICASSP2023 EMA基于跨空间学习的高效多尺度注意力，在小目标检测中涨点明显
EMA：基于跨空间学习的高效多尺度注意力模块
热门推荐
AI浩
06-23 1万+
在各种计算机视觉任务中，通道或空间注意力机制在产生更清晰的特征表示方面的显著有效性得到了证明。然而，通过通道降维来建模跨通道关系可能会给提取深度视觉表示带来副作用。提出了一种新的高效的多尺度注意力(EMA)模块。以保留每个通道上的信息和降低计算开销为目标，将部分通道重塑为批量维度，并将通道维度分组为多个子特征，使空间语义特征在每个特征组中均匀分布。具体来说，除了对全局信息进行编码以重新校准每个并行分支中的通道权重外，还通过跨维度交互进一步聚合两个并行分支的输出特征，以捕获像素级成对关系。
YOLOv7改进---注意力机制： EMA基于跨空间学习的高效多尺度注意力、效果优于ECA、CBAM、CA | 小目标涨点明显 | ICASSP2023
10-10 1318
EMA基于跨空间学习的高效多尺度注意力、效果优于ECA、CBAM、CA
Yolov8改进---注意力机制：ICASSP2023 EMA基于跨空间学习的高效多尺度注意力、效果优于ECA、CBAM、CA | 小目标涨点明显
06-25 6152
yolov8引入ICASSP2023 EMA基于跨空间学习的高效多尺度注意力，在小目标检测中涨点明显
Yolov8小目标检测（9）： EMA基于跨空间学习的高效多尺度注意力、效果优于ECA、CBAM、CA | ICASSP2023
08-24 1271
EMA​​​​​​​| 亲测在红外弱小目标检测涨点，map@0.5 从0.755提升至0.766
即插即用模块-EMA跨空间学习的高效多尺度注意模块（论文+代码）
weixin_47151388的博客
05-23 9451
在各种计算机视觉任务中，通道或空间注意机制对于产生更多可识别的特征表示具有显着的有效性。然而，通过通道降维来建模跨通道关系可能会对提取深度视觉表征带来副作用。本文提出了一种新型的高效多尺度注意力(EMA)模块。为了保留每个通道上的信息和减少计算开销，我们将部分通道重构为批处理维度，并将通道维度分组为多个子特征，使空间语义特征在每个特征组内均匀分布。具体而言，除了编码全局信息以重新校准每个并行分支中的通道权重外，还通过跨维交互进一步聚合两个并行分支的输出特征，以捕获像素级成对关系。
YOLOv9改进策略：注意力机制 | EMA：基于跨空间学习的高效多尺度注意力，效果优于ECA、CBAM、CA
03-13 3175
加入EMA注意力，一种基于跨空间学习的高效多尺度注意力，效果优于ECA、CBAM、CA等经典注意力。
即插即用篇 | YOLOv8 引入具备跨空间学习的高效多尺度注意力 Efficient Multi-Scale Attention | 《ICASSP 2023 最新论文》
YOLOv8项目贡献者
07-13 6665
ICASSP 2023🏅 YOLOv8 添加 EMA 模块与 C2f_EMA 模块
YOLO11改进|注意力机制篇|引入EMA注意力机制
最新发布
A1983Z的博客
10-09 1731
YOLO11中添加EMA注意力机制
YOLOv8改进 - 注意力篇 - 引入EMA注意力机制
浪子L的博客
10-07 1499
YOLOv8改进 - 注意力篇 - 引入EMA注意力机制
三分钟学会使用系列（YOLOv5）|EMA注意力机制，涨点神器！
深度学习炼丹师，偶尔分享炼丹技术!
01-27 5386
本文旨在让读者快速了解相关技术并运用,欢迎关注。
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！
weixin_51692073的博客
04-18 2434
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改进之EMA注意力机制
lvnacp的博客
05-17 2862
yolov8添加EMA注意力机制，提升模型性能。
期望最大化注意力网络EMANet ：Expectation-Maximization Attention Networks for Semantic Segmentation
woshidakeai的博客
11-04 2871
主要参考：https://zhuanlan.zhihu.com/p/78018142（论文作者知乎发的专栏） https://blog.csdn.net/qq_34914551/article/details/100927668（其他博主对EMANET的理解） 代码：https://github.com/XiaLiPKU/EMANet 目录 Abstra...
YOLOV7改进：CVPR 2023 | 在C5模块不同位置添加EMA注意力机制，有效涨点
2201_76125261的博客
10-06 368
显著的渠道或空间有效性注意力产生机制更加可辨特征表示用各种计算机进行了说明视觉任务。然而，跨通道建模关系与通道降维可能在提取深度视觉表征时带来副作用。本文提出了一种新的高效多尺度注意力(EMA)方法。模块提出。专注于保留信息每个通道上，并减少计算在上方，我们将部分通道重塑为批处理尺寸并将通道尺寸分组为多个子特征构成空间语义特性在每个特性组中分布良好。具体来说，除了将全局信息编码到重新校准每个平行通道的权重支路，两个并联支路的输出特征为的跨维度交互进一步聚合捕获像素级成对关系。
YOLOv11改进 | 注意力篇 | YOLOv11引入EMAttention(EMA）注意力
tsg6698的博客
10-05 220
具体来说，除了对全局信息进行编码以重新校准每个并行分支中的通道权重之外，还通过跨维度交互来进一步聚合两个并行分支的输出特征，以捕获像素级的成对关系。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YOLOv11改进有效涨点专栏，本专栏目前为新开的，后期我会根据各种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~3. 跨空间学习：除了在每个并行子网络中建立局部的跨通道交互外，EMA模块还通过跨空间学习方法融合了两个并行子网络的输出特征图。
YOLOv5-7.0改进（四）添加EMA注意力机制
mw的博客
05-11 2278
基于跨空间学习的高效多尺度注意力机制，该模块首先将部分通道维度重塑为批量维度，以避免通用卷积进行某种形式的降维，接着在每个并行子网络中构建局部的跨通道交互，利用一种新的跨空间学习方法融合两个并行子网络的输出特征图，设计了一个多尺度并行子网络来建立长短依赖关系。
【YOLOv8改进】EMA（Efficient Multi-Scale Attention）：基于跨空间学习的高效多尺度注意力 (论文笔记+引入代码)
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
05-23 3001
通道或空间注意力机制在许多计算机视觉任务中表现出显著的效果，可以生成更清晰的特征表示。然而，通过通道维度缩减来建模跨通道关系可能会对提取深度视觉表示带来副作用。本文提出了一种新颖高效的多尺度注意力（EMA）模块。该模块着重于保留每个通道的信息并减少计算开销，我们将部分通道重新调整为批次维度，并将通道维度分组为多个子特征，使空间语义特征在每个特征组内分布均匀。具体来说，除了在每个并行分支中对全局信息进行编码以重新校准通道权重外，这两个并行分支的输出特征还通过跨维度交互进一步聚合，以捕捉像素级的成对关系。
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