YOLOv7改进注意力机制系列：最新结合即插即用CA(Coordinate attention) 注意力机制(适用于YOLOv5)，CVPR 2021 顶会助力分类检测涨点！

已于 2023-04-10 13:23:09 修改
阅读量2.1w 收藏 321
点赞数 24
分类专栏： YOLOv7模型改进 目标检测YOLO改进指南 文章标签： 深度学习 目标检测 计算机视觉
于 2022-11-06 15:43:55 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/qq_38668236/article/details/127716140
版权
本文探讨如何将Coordinate Attention(CA)机制应用于YOLOv7和YOLOv5，以增强目标检测模型的性能。CA通过结合位置信息和通道注意力，改善了模型的定位能力。详细介绍了CA的设计原理，并提供了结合YOLOv7和YOLOv5的改进代码实现，包括网络配置和核心代码示例。
摘要由CSDN通过智能技术生成
  • 💡统一使用 YOLOv5、YOLOv7 代码框架，结合不同模块来构建不同的YOLO目标检测模型。
  • 论文所提的Coordinate注意力很简单，可以灵活地插入到经典的移动网络中，而且几乎没有计算开销。大量实验表明，Coordinate注意力不仅有益于ImageNet分类，而且更有趣的是，它在下游任务（如目标检测和语义分割）中表现也很好。本文结合目标检测任务应用
  • 应专栏读者的要求，写一篇关于YOLOv7+CA(Coordinate attention) 注意力机制的改进
  • 重点：有不少读者已经反映该专栏的改进 在自有数据集上有效涨点!!!同时COCO也能涨点

最新创新点改进推荐

-💡统一使用 YOLO 代码框架，结合不同模块来构建不同的YOLO目标检测模型。

🔥 《芒果书》系列改进专栏内的改进文章，均包含多种模型改进方式，均适用于YOLOv3 、YOLOv4 、 YOLOR 、 YOLOX 、YOLOv5 、 YOLOv7 、 YOLOv8 改进（重点）！！！

🔥 专栏创新点教程 均有不少同学反应和我说已经在自己的数据集上有效涨点啦！！ 包括COCO数据集也能涨点

所有文章博客均包含 改进源代码部分，一键训练即可

🔥 对应专栏订阅的越早，就可以越早使用原创创新点去改进模型，抢先一步

芒果书 点击以下链接 查看文章目录详情🔗

文章目录

一、Coordinate Attention论文理论部分

请添加图片描述
最近对移动网络设计的研究已经证明了通道注意力的显着效果（例如， Squeeze-and-Excitation 注意）用于提升模型性能，但它们通常忽略位置信息，这对于生成空间选择性注意图很重要。在本文中，我们提出了一种新的移动网络注意机制，将位置信息嵌入到通道注意中，我们称之为“坐标注意力”。与通过 2D 全局池化将特征张量转换为单个特征向量的通道注意不同，坐标注意将通道注意分解为两个 1D 特征编码过程，分别沿两个空间方向聚合特征。通过这种方式，可以沿一个空间方向捕获远程依赖关系，同时可以沿另一个空间方向保留精确的位置信息。然后将生成的特征图分别编码为一对方向感知和位置敏感的注意力图，这些注意力图可以互补地应用于输入特征图以增强感兴趣对象的表示。我们的坐标注意力很简单，可以灵活地插入经典的移动网络，例如 MobileNetV2、MobileNeXt 和 EfficientNet，几乎没有计算开销。大量实验表明，我们的协调注意力不仅有利于 ImageNet 分类，而且更有趣的是，在对象检测和语义分割等下游任务中表现得更好。代码可在 大量实验表明，我们的协调注意力不仅有利于 ImageNet 分类，而且更有趣的是，在对象检测和语义分割等下游任务中表现得更好。代码可在 大量实验表明，我们的协调注意力不仅有利于 ImageNet 分类，而且更有趣的是，在对象检测等下游任务中表现得更好。。

Coordinate Attention介绍

在这里插入图片描述

Coordinate Attention设计

在这里插入图片描述
图 2：提议的坐标注意块 © 与经典 SE 通道注意块的示意图比较[18] (a) 和 CBAM [44] (b)。这里，“GAP”和“GMP”分别指的是全局平均池化和全局最大池化。“X Avg Pool”和“Y Avg Pool”分别指一维水平全局池和一维垂直全局池。

Coordinate Attention Block

在这里插入图片描述

论文实验

请添加图片描述

请添加图片描述
在上图中，作者还将使用不同注意力方法的模型生成的特征图进行了可视化。显然，CA注意力比SE和CBAM更有助于目标的定位。

二、结合YOLOv7 改进代码

2.1 网络配置

1.增加YOLOv7_CA.yaml文件

# YOLOv7 🚀, GPL-3.0 license
# parameters
nc: 80  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel iscyy multiple

# anchors
anchors:
  - [12,16, 19,36, 40,28]  # P3/8
  - [36,75, 76,55, 72,146]  # P4/16
  - [142,110, 192,243, 459,401]  # P5/32

# yolov7 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [32, 3, 1]],  # 0
   [-1, 1, Conv, [64, 3, 2]],  # 1-P1/2
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [128, 3, 2]],  # 3-P2/4 
   [-1, 1, C3, [128]], 
   [-1, 1, Conv, [256, 3, 2]], 
   [-1, 1, MP, []],
   [-1, 1, Conv, [128, 1, 1]],
   [-3, 1, Conv, [128, 1, 1]],
   [-1, 1, Conv, [128, 3, 2]],
   [[-1, -3], 1, Concat, [1]],  # 16-P3/8
   [-1, 1, Conv, [128, 1, 1]],
   [-2, 1, Conv, [128, 1, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [[-1, -3, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [512, 1, 1]],
   [-1, 1, MP, []],
   [-1, 1, Conv, [256, 1, 1]],
   [-3, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [256, 3, 2]],
   [[-1, -3], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1]],
   [-2, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [[-1, -3, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [1024, 1, 1]],          
   [-1, 1, MP, []],
   [-1, 1, Conv, [512, 1, 1]],
   [-3, 1, Conv, [512, 1, 1]],
   [-1, 1, Conv, [512, 3, 2]],
   [[-1, -3], 1, Concat, [1]],
   [-1, 1, C3, [1024]],
   [-1, 1, Conv, [256, 3, 1]],
  ]

# yolov7 head by iscyy
head:
  [[-1, 1, SPPCSPC, [512]],
   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [31, 1, Conv, [256, 1, 1]],
   [[-1, -2], 1, Concat, [1]],
   [-1, 1, C3, [128]],
   [-1, 1, Conv, [128, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [18, 1, Conv, [128, 1, 1]],
   [[-1, -2], 1, Concat, [1]],
   [-1, 1, C3, [128]],
   [-1, 1, MP, []],
   [-1, 1, Conv, [128, 1, 1]],
   [-3, 1, CA, [128]],
   [-1, 1, Conv, [128, 3, 2]],
   [[-1, -3, 44], 1, Concat, [1]],
   [-1, 1, C3, [256]], 
   [-1, 1, MP, []],
   [-1, 1, Conv, [256, 1, 1]],
   [-3, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [256, 3, 2]], 
   [[-1, -3, 39], 1, Concat, [1]],
   [-1, 3, C3, [512]],

# 检测头 -----------------------------
   [49, 1, RepConv, [256, 3, 1]],
   [55, 1, RepConv, [512, 3, 1]],
   [61, 1, RepConv, [1024, 3, 1]],

   [[62,63,64], 1, IDetect, [nc, anchors]],   # Detect(P3, P4, P5)
  ]

2.2 核心代码

1.在common中新增以下代码

class h_sigmoid(nn.Module):
    def __init__(self, inplace=True):
        super(h_sigmoid, self).__init__()
        self.relu = nn.ReLU6(inplace=inplace)

    def forward(self, x):
        return self.relu(x + 3) / 6

class h_swish(nn.Module):
    def __init__(self, inplace=True):
        super(h_swish, self).__init__()
        self.sigmoid = h_sigmoid(inplace=inplace)

    def forward(self, x):
        return x * self.sigmoid(x)
class CA(nn.Module):
    # Coordinate Attention for Efficient Mobile Network Design
    '''
        Recent studies on mobile network design have demonstrated the remarkable effectiveness of channel attention (e.g., the Squeeze-and-Excitation attention) for lifting
    model performance, but they generally neglect the positional information, which is important for generating spatially selective attention maps. In this paper, we propose a
    novel attention mechanism for mobile iscyy networks by embedding positional information into channel attention, which
    we call “coordinate attention”. Unlike channel attention
    that transforms a feature tensor to a single feature vector iscyy via 2D global pooling, the coordinate attention factorizes channel attention into two 1D feature encoding 
    processes that aggregate features along the two spatial directions, respectively
    '''
    def __init__(self, inp, oup, reduction=32):
        super(CA, self).__init__()

        mip = max(8, inp // reduction)

        self.conv1 = nn.Conv2d(inp, mip, kernel_size=1, stride=1, padding=0)
        self.bn1 = nn.BatchNorm2d(mip)
        self.act = h_swish()
        
        self.conv_h = nn.Conv2d(mip, oup, kernel_size=1, stride=1, padding=0)
        self.conv_w = nn.Conv2d(mip, oup, kernel_size=1, stride=1, padding=0)
        

    def forward(self, x):
        identity = x
        
        n,c,h,w = x.size()
        pool_h = nn.AdaptiveAvgPool2d((h, 1))
        pool_w = nn.AdaptiveAvgPool2d((1, w))
        x_h = pool_h(x)
        x_w = pool_w(x).permute(0, 1, 3, 2)

        y = torch.cat([x_h, x_w], dim=2)
        y = self.conv1(y)
        y = self.bn1(y)
        y = self.act(y) 
        
        x_h, x_w = torch.split(y, [h, w], dim=2)
        x_w = x_w.permute(0, 1, 3, 2)

        a_h = self.conv_h(x_h).sigmoid()
        a_w = self.conv_w(x_w).sigmoid()

        out = identity * a_w * a_h

        return out

然后在 在yolo.py中配置
找到./models/yolo.py文件下里的parse_model函数，将类名加入进去

for i, (f, n, m, args) in enumerate(d['backbone'] + d['head']):内部
对应位置 下方只需要增加 代码

参考代码

        elif m in [CA]:
            c1, c2 = ch[f], args[0]
            if c2 != no:  # if not outputss
                c2 = make_divisible(c2 * gw, 8)
            args = [c1, c2, *args[1:]]

2.3 运行

python train.py --cfg yolov7_CA.yaml

三、结合YOLOv5 改进代码

3.1 网络配置

1.增加YOLOv5_CA.yaml文件

# YOLOv5 🚀, GPL-3.0 license

# Parameters
nc: 80  # number of classes
depth_multiple: 0.33  # model depth iscyy multiple
width_multiple: 0.50  # layer channel iscyy multiple
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

# YOLOv5 v6.0 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)
   [-1, 1, CA, [1024]],

   [[17, 20, 24], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

3.2 核心代码

1.在common中新增以下代码

class h_sigmoid(nn.Module):
    def __init__(self, inplace=True):
        super(h_sigmoid, self).__init__()
        self.relu = nn.ReLU6(inplace=inplace)

    def forward(self, x):
        return self.relu(x + 3) / 6

class h_swish(nn.Module):
    def __init__(self, inplace=True):
        super(h_swish, self).__init__()
        self.sigmoid = h_sigmoid(inplace=inplace)

    def forward(self, x):
        return x * self.sigmoid(x)
class CA(nn.Module):
    # Coordinate Attention for Efficient Mobile Network Design
    '''
        Recent studies on mobile network design have demonstrated the remarkable effectiveness of channel attention (e.g., the Squeeze-and-Excitation attention) for lifting
    model performance, but they generally neglect the positional information, which is important for generating spatially selective attention maps. In this paper, we propose a
    novel attention mechanism for mobile iscyy networks by embedding positional information into channel attention, which
    we call “coordinate attention”. Unlike channel attention
    that transforms a feature tensor to a single feature vector iscyy via 2D global pooling, the coordinate attention factorizes channel attention into two 1D feature encoding 
    processes that aggregate features along the two spatial directions, respectively
    '''
    def __init__(self, inp, oup, reduction=32):
        super(CA, self).__init__()

        mip = max(8, inp // reduction)

        self.conv1 = nn.Conv2d(inp, mip, kernel_size=1, stride=1, padding=0)
        self.bn1 = nn.BatchNorm2d(mip)
        self.act = h_swish()
        
        self.conv_h = nn.Conv2d(mip, oup, kernel_size=1, stride=1, padding=0)
        self.conv_w = nn.Conv2d(mip, oup, kernel_size=1, stride=1, padding=0)
        

    def forward(self, x):
        identity = x
        
        n,c,h,w = x.size()
        pool_h = nn.AdaptiveAvgPool2d((h, 1))
        pool_w = nn.AdaptiveAvgPool2d((1, w))
        x_h = pool_h(x)
        x_w = pool_w(x).permute(0, 1, 3, 2)

        y = torch.cat([x_h, x_w], dim=2)
        y = self.conv1(y)
        y = self.bn1(y)
        y = self.act(y) 
        
        x_h, x_w = torch.split(y, [h, w], dim=2)
        x_w = x_w.permute(0, 1, 3, 2)

        a_h = self.conv_h(x_h).sigmoid()
        a_w = self.conv_w(x_w).sigmoid()

        out = identity * a_w * a_h

        return out

然后在 在yolo.py中配置
找到./models/yolo.py文件下里的parse_model函数，将类名加入进去

for i, (f, n, m, args) in enumerate(d['backbone'] + d['head']):内部
对应位置 下方只需要增加 代码

参考代码

        elif m in [CA]:
            c1, c2 = ch[f], args[0]
            if c2 != no:  # if not outputss
                c2 = make_divisible(c2 * gw, 8)
            args = [c1, c2, *args[1:]]

3.2 运行

python train.py --cfg yolov5_CA.yaml

芒果汁没有芒果
关注
专栏目录
订阅专栏
YOLOv5算法改进（2）— 注意力机制介绍（SE、CBAM和CA）
突然好想你
10-12 1068
注意力机制是近年来深度学习领域内的研究热点，可以帮助模型更好地关注重要的特征，从而提高模型的性能。本节课就给大家介绍一下SE、CBAM和SE注意力机制，希望大家学习之后能够有所收获！
YOLOv5改进：添加注意力机制
07-03
PyTorch版的YOLOv5是一个当前非常流行的目标检测器，本课程讲述对YOLOv5添加注意力机制的方法，来提高其性能。本课程在YOLOv5 v6.1版本代码的基础上添加注意力机制，在Windows系统和Ubuntu系统上演示针对自己的数据集添加注意力机制、重头训练和性能评估过程，并讲解注意力机制模型原理以及针对添加注意力机制的代码修改部分。课程中添加了如下的注意力机制：SE、CBAM、ECA、CA。项目实战过程包括：PyTorch环境安装、YOLOv5项目安装、准备自己的数据集、修改配置文件、训练网络模型以及性能评估。相关课程：《YOLOv5改进：更换骨干网》 https://download.csdn.net/course/detail/37465《YOLOv5改进：添加注意力机制》 https://download.csdn.net/course/detail/37530 《YOLOv5改进：更换Neck（结合BiFPN,ASFF）》 https://download.csdn.net/course/detail/37577
对YOLOv7添加CA注意力机制并对数据集进行检测
weixin_44932365的博客
07-24 756
ps：这里是因为在yolov7的backbone中，输出的特征图为三个，这三个特征图的通道分别为：512，512，1024，所以我们只需要定义两个模块即可。当然如果读者感兴趣可以将CA添加在backbone或者其他地方试试看，也许会有不同的效果。这里的channel指的是输入通道数量，这里一定要注意和上一层网络的输出对应！训练次数2000轮，加入CA注意力机制后的mAP增长了3%，效果还算不错。（后面的没有粘上，读者自行对比），这样就可以训练了。这里建议大家使用B导的代码，注释非常全！
通道注意力机制(CA)
最新发布
kuailezzf的博客
07-29 1925
通道注意力机制（Channel Attention, CA）是一种广泛应用于计算机视觉中的注意力机制。它主要用于提取图像特征中不同通道之间的相关性，以帮助网络更好地聚焦于重要的特征信息。在深度学习中，卷积神经网络（CNN）通常通过堆叠多个卷积层来提取图像的高级特征表示。然而，具体来说，通道注意力机制通过引入一个注意力模块来学习每个通道的权重，从而动态调整每个通道的重要性。如图1所示，通道注意力机制通过以下步骤实现：输入：假设输入特征图的尺寸为C×H×W，其中C是通道数，H和W分别是高度和宽度。
芒果YOLOv10改进122：注意力机制系列：最新结合即插即用CA(Coordinate attention) 注意力机制，CVPR 顶会助力分类检测涨点！
包括YOLOv5、YOLOv7、YOLOv8等模型改进
06-30 200
YOLOv10改进：注意力机制系列：最新结合即插即用CA(Coordinate attention) 注意力机制，CVPR 顶会助力分类检测涨点！
yolox改进--添加Coordinate Attention模块（CVPR2021）
qq_43114108的博客
08-29 6317
yolox改进--添加Coordinate Attention模块。Coordinate Attention Module，同SE、CBAM等模块一样，作为即插即用的注意力机制，在yolov5、yolox等轻量级网络中有着重要的作用。本文介绍的CAM+yolox在我的数据集上，mAP比不添加的时候提高了0.02个点，相比使用CBAM提高了0.01个点，效果还是很可观的。.........
yolov7添加CA(Coordinate attention)注意力机制
qq_53545309的博客
08-25 1892
【代码】yolov7添加CA(Coordinate attention)注意力机制。
手把手带你 YOLOv5/v7 添加注意力机制（并附上30多种顶会Attention原理图）2024/2/5更新
热门推荐
YOLOv8项目贡献者
04-27 18万+
YOLOv5/v7 添加注意力机制教程 2023/6/15更新🍀🍀🍀
目标检测算法——YOLOv5/YOLOv7之结合CA注意力机制
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
04-09 1万+
将CA注意力模块嵌入到YOLOv5网络中，强化网络对方向和位置等信息的敏感度。
YOLOv8改进算法之添加CA注意力机制
qq_43649937的博客
09-30 1万+
YOLOv8
基于注意力机制的三维点云车辆目标检测python源码+项目说明.zip
10-07
基于注意力机制的三维点云车辆目标检测python源码+项目说明.zip 基于注意力机制的3D点云车辆检测算法研究 ### 算法模型图-注意力模型 ![图0]( /results/result0.png) ### 算法模型图-感兴趣区域聚合模型 ![图0]...
yolov5火灾监测毕设答辩ppt
06-19
- **改进YOLOv5模型：**通过融合坐标注意力（Coordinate Attention, CA）机制和扩展交并比（Extended Intersection over Union, EIoU）损失函数来提高模型性能。 - **数据集准备与标注：**收集火灾相关数据，并使用...
YOLOv7模型改进实用知识库分享
11-10
CA（Coordinate Attention）注意力机制是一个即插即用的组件，可以方便地添加到YOLOv5中，通过坐标信息增强模型对目标位置的敏感性，从而提升分类和检测的精度。 ACmix结构将自注意力和卷积结合起来，提供了一种...
基于注意力机制的三维点云车辆目标检测算法研究python源码+项目说明+示例图片.zip
04-11
基于注意力机制的三维点云车辆目标检测算法研究python源码+项目说明+示例图片.zip 感兴趣区域特征聚合模块核心代码 ```python class SimpleVoxel(nn.Module): def __init__(self, num_input_features=4, use_...
具有混合注意力特征金字塔网络的YOLO算法，用于焊点缺陷检测
04-11
坐标注意力机制（Coordinate Attention, CA）是一种创新性的注意力机制，它通过对不同通道之间的连接进行优化，增强了特征图的空间表示能力。具体而言，CA机制能够有效地减少位置信息的丢失，这对于检测焊点缺陷这类...
2021CVPR-Coordinate Attention for Efficient Mobile Network Design 坐标注意力机制
qq_38109282的博客
10-19 1万+
前言 了解了SE和CBAM之后，Coordinate Attention（坐标注意）指出了前两者的一些缺点，并做出了一些改进，该篇论文发表于2021年CVPR Abstract 最近关于mobile network设计的研究已经证明了通道注意（例如the Squeeze-and-Excitation attention）对于提升模型性能的显著有效性，但是它们通常忽略了位置信息，这对于生成空间选择性注意映射很重要。在本文中，我们提出了一种新的mobile network注意机制，将位置信息嵌入到通道注意中，.
[YOLOv7/YOLOv5系列算法改进NO.4]添加ECA通道注意力机制
m0_70388905的博客
06-21 1万+
前 言：作为当前先进的深度学习目标检测算法YOLOv5，已经集合了大量的trick，但是在处理一些复杂背景问题的时候，还是容易出现错漏检的问题。此后的系列文章，将重点对YOLOv5的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效果提供自己的微薄帮助和参考。解决问题：加入ECA注意力机制，可以让网络更加关注待检测目标，提高检测效果。该注意力机制为一篇CVPR2020上对通道注意力进行改进的文章---ECANet......
YOLOV7改进-添加注意力机制
m0_46700884的博客
07-05 4152
注意力机制一般加在backbone或者是PAN层。，配合yolov7.yaml的文件来结合看！1、在github主页中找到SE.py注意力模块。
yolov7 CA注意力
09-17
引用和引用[2]提到了如何在YOLOv5网络中嵌入CA（Channel Attention）注意力模块，以增强网络对目标特征的提取能力和改进损失函数以提高收敛速度。然而，根据提供的引用内容，没有提到YOLOv7和CA注意力的相关信息。因此，对于YOLOv7和CA注意力的具体细节，我无法提供准确的回答。
评论 15
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

芒果汁没有芒果

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