YOLOv13改进：红外小目标 | 注意力机制改进 | 并行化注意力设计（PPA）模块，红外小目标暴力涨点

已于 2025-07-11 12:46:17 修改
阅读量115 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： YOLOv13魔术师 文章标签： YOLO 神经网络 深度学习 人工智能 华为
于 2025-07-11 09:08:18 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/149266307

💡💡💡本文独家改进：红外小目标涨点利器，在多个数据集下进行验证，并行化 patch-aware 注意力（PPA）模块，解决目标的大小微小以及红外图像中通常具有复杂的背景的问题点

  💡💡💡红外小目标实现暴力涨点，只有几个像素的小目标识别率大幅度提升

 💡💡💡多个私有数据集涨点明显，如缺陷检测、农业病害检测等；

《YOLOv13魔术师专栏》将从以下各个方向进行创新：

链接：

 

了解本专栏 订阅专栏 解锁全文
YOLOv10涨点改进：自研检测头 | 独家创新（Partial_C_v10Detect）检测头结构创新，实现涨点
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
06-13 2200
独家创新（Partial_C_v10Detect）检测头结构创新，实现涨点
YOLOv5全网独家改进: 红外小目标 | 注意力机制改进 | 并行化注意力设计（PPA）模块，红外小目标暴力涨点 | 2024年3月最新成果
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
03-24 945
红外小目标实现暴力涨点，只有几个像素的小目标识别率大幅度提升
如何用自己的数据集训练YOLOv13（NEU-DET为案列展开）
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
06-26 1513
如何用自己的数据集训练YOLOv13，在NEU-DET任务中不使用预训练模型，YOLOv13原始mAP50为0.742；使用预训练模型，YOLOv13原始mAP50为0.762
YOLOv8最新改进系列：YOLOv8+ICCV 2023 - 动态蛇形卷积（Dynamic Snake Convolution）采用管状结构，拉升模型小目标、遮挡目标检测效果！
B站 Ai学术叫叫兽的文案地
09-24 4526
YOLOv8最新改进系列：YOLOv8+ICCV 2023 - 动态蛇形卷积（Dynamic Snake Convolution）采用管状结构，拉升模型小目标、遮挡目标检测效果！
霸榜COCO和Cityscapes！南理工&CMU提出极化自注意力，更精细的双重注意力建模结构
极市平台的技术博客
07-15 2464
作者丨小马 编辑丨极市平台 【写在前面】 注意力机制是一个被广泛应用在各种CV任务中的方法。注意力机制根据施加的维度大致可以分为两类：通道注意力和空间注意力。对于通道注意力机制，代表性的工作有SENet[2]、ECANet[3]；对于空间注意力机制，代表性的工作有Self-Attention[4]。随着空间和通道注意力机制的提出，很自然的，结合空间和通道两个维度的双重注意力机制也被提出，代表工作有CBAM[1]，DANet[5]。 基于双重注意力机制，本文针对Pixel-wise regression的任务
2021刷新COCO和Cityscapes | Polarized Self-Attention：极化自注意力机制（keras实现）
u011447962的博客
08-03 3753
Polarized Self-Attention: Towards High-quality Pixel-wise Regression paper:https://arxiv.org/pdf/2107.00782.pdf code:https://github.com/DeLightCMU/PSA def _PSA(x, mode='p'): context_channel = spatial_pool(x, mode) if mode == 'p': con...
YOLOv10涨点改进：红外小目标 | 注意力机制改进 | 并行化注意力设计（PPA）模块，红外小目标暴力涨点| 2024年3月最新
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
06-05 545
并行化注意力设计（PPA）模块，红外小目标暴力涨点
YOLO11涨点优化：红外小目标 | 注意力机制改进 | 并行化注意力设计（PPA）模块，红外小目标暴力涨点| 2024年最新发布
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
10-11 624
红外小目标涨点利器，在多个数据集下进行验证，并行化 patch-aware 注意力（PPA）模块，解决目标的大小微小以及红外图像中通常具有复杂的背景的问题点，2024年3月最新成果
YOLOv8全网独家改进: 红外小目标 | 注意力机制改进 | 并行化注意力设计（PPA）模块，红外小目标暴力涨点| 2024年3月最新成果
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
03-24 1515
PPA注意力大幅度提升几个像素的小目标识别率
YOLOv13改进：动态卷积DynamicConv ，全面优化YOLOv13中的DSConv和DSC3k2，且显著提高了大型视觉模型的性能
最新发布
QQ_778132974的博客
07-23 178
DynamicConv通过输入感知核生成和注意力引导两大突破，解决了轻量化模型的表征能力瓶颈。小目标检测：AP提升22.9%（工业检测痛点突破）模型泛化性：跨数据集mAP波动降低37%计算效率：同等精度下计算量减少42%深度思考：当卷积核从静态权重变为动态函数，卷积神经网络正式迈入**“感知智能”** 新阶段！资源获取GitHub链接未来的视觉模型，必是静态结构与动态计算的完美融合”——DynamicConv为YOLO系列开启全新可能！
动态蛇形卷积(Dynamic Snake Convolution)
10-31
准确分割拓扑管状结构、血管和道路等拓扑管状结构在各个领域都至关重要，确保下游任务的准确性和效率。然而，许多因素导致任务复杂化，包括局部结构薄和全局形态多变。在这项工作中，我们注意到管状结构的特殊性并利用这一知识指导我们的 DSCNet，在特征提取、特征融合和损失约束三个阶段同时增强感知。首先，我们提出了首先，我们提出了一种动态蛇形卷积法，通过自适应地聚焦于细长和迂回的局部结构来准确捕捉管状结构的特征。随后，我们提出了一种多视角特征融合策略，以补充在特征融合过程中关注来自多个视角的特征，确保保留来自不同全局形态的重要信息。不同全局形态的重要信息。最后，我们提出了一种连续性基于持久同源性的连续性约束损失函数最后，提出了一种基于持久同源性的连续性约束损失函数，以更好地约束分割的拓扑连续性。 
【Yolov5】涨点亲测有效，Yolov5添加PSA极化自注意力机制
qq:1115926058
02-04 4398
Yolov5添加PSA极化注意力机制，助力实验涨点！主要用于目标检测、图像语义分割、人体姿态识别等
【YOLOv8改进 - 注意力机制】NAM：基于归一化的注意力模块，将权重稀疏惩罚应用于注意力机制中，提高效率性能
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。
06-30 773
识别较不显著的特征是模型压缩的关键。然而，这在革命性的注意力机制中尚未被研究。在这项工作中，我们提出了一种新颖的基于归一化的注意力模块（NAM），该模块抑制了较不显著的权重。它对注意力模块施加了权重稀疏惩罚，从而使其在保留相似性能的同时变得更具计算效率。在Resnet和Mobilenet上与其他三种注意力机制的比较表明，我们的方法可以带来更高的准确性。本文的代码可以在https://github.com/Christian-lyc/NAM公开获取。
YOLOv8改进 | 注意力机制 | 迈向高质量像素级回归的极化自注意力【全网独家】
kay_545
06-27 1409
yolov8改进，yolov8，注意力机制
ICCV2023｜动态蛇形卷积（Dynamic Snake Convolution）
m0_73333808的博客
02-01 2463
管状结构（例如血管、道路）是临床、自然界等各领域场景中十分重要的一种结构，其的精确分割可以保证下游任务的准确性与效率。然而这并不是一个简单的任务，主要的挑战源于细长微弱的局部结构特征与复杂多变的全局形态特征。本文关注到管状结构细长连续的特点，并利用这一信息在神经网络以下三个阶段特征提取特征融合和损失约束。分别设计了动态蛇形卷积（DynamicSnakeConvolution），多视角特征融合策略与连续性拓扑约束损失。我们同时给出了基于2D和3D的方法设计，通过实验证明了本文所提出的DSCNet。
PSA极化注意力机制：Polarized Self-Attention: Towards High-quality Pixel-wise Regression
热门推荐
weixin_39326879的博客
11-05 1万+
摘要 在计算机视觉任务中，语义分割和关键点检测是具有挑战的，因为既要尽量保持高分辨率、又要考虑计算量，以及尽量连接全局信息得到结果。由于提取全局信息的有效性以及对全局像素special的注意力，attention机制在计算机视觉领域变得非常的流行。CNN本身是卷积共享的核，且具有平移不变性，也就代表其是local且丧失special注意力的。但是long-range的attention参数量大，训练耗时长且难以收敛；很多学者都在研究轻便易于训练的attention机制。本文提出了一种极化注意力机制，其优势在
改进YOLO系列 | YOLOv5/v7 引入 Dynamic Snake Convolution | 动态蛇形卷积
weixin_39818775的博客
06-12 1320
YOLO系列目标检测算法以其速度和精度著称，但对于细长目标例如血管、道路等，其性能仍有提升空间。动态蛇形卷积（DSC）是YOLOv5/v7中引入的一种改进，旨在更好地处理细长目标。DSC的核心是使用控制点序列来变形卷积核。# 根据目标框生成控制点序列# 将目标框转换为控制点序列]))DSC根据控制点序列变形卷积核。# 根据控制点序列变形卷积核DSC层继承自nn.Module类，并实现了DSC操作。# 生成控制点序列# 变形卷积核# DSC操作return out。
【YOLOv8改进-论文笔记】动态蛇形卷积（Dynamic Snake Convolution）用于管状结构分割任务
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。
01-18 9212
精确分割拓扑管状结构，例如血管和道路，对各个领域至关重要，可确保下游任务的准确性和效率。然而，许多因素使任务变得复杂，包括细小脆弱的局部结构和复杂多变的全局形态。在这项工作中，我们注意到管状结构的特殊特征，并利用这一知识来引导我们的 DSCNet 在三个阶段同时增强感知：特征提取、特征融合和损失约束。首先，我们提出了一种动态蛇形卷积，通过自适应地聚焦于细长和曲折的局部结构，来准确捕捉管状结构的特征。
Yolov8小目标检测（19）：动态蛇形卷积（Dynamic Snake Convolution），增强细长微弱特征 | ICCV2023
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
09-07 4194
Dynamic Snake Convolution | 亲测在红外弱小目标检测涨点，map@0.5 从0.755提升至0.77
改进YOLOv5应用于红外遥感图像的小目标检测技术
资源摘要信息:"基于小目标检测头的改进YOLOv5红外遥感图像小目标检测系统"是一套专为红外遥感图像中微小目标识别与定位设计的深度学习系统。该系统的核心是改进的YOLOv5（You Only Look Once version 5）模型，它是...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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