YOLOv9改进策略【注意力机制篇】| PSA极化自我关注： 实现高质量像素回归

已于 2024-09-20 15:37:15 修改
阅读量1.4k 收藏 13
点赞数 41
分类专栏： YOLOv9改进专栏 文章标签： YOLO 计算机视觉 目标检测 深度学习
于 2024-09-06 15:01:07 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_42591591/article/details/141864252
版权
YOLOv9改进专栏 专栏收录该内容
47 篇文章 2 订阅 ¥69.90 ¥99.00
订阅专栏

一、本文介绍

本文记录的是基于PSA注意力模块的YOLOv9目标检测方法研究。PSA模块通过极化滤波和增强设计，提高了内部分辨率，并增强非线性拟合，从而能够提升像素级回归任务的性能。本文将其应用到YOLOv9的检测任务中，使模型能够更好地捕捉图像中的细节信息，以实现目标检测任务中准确识别和定位。

专栏目录：YOLOv9改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进方向

专栏地址：YOLOv9改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！

文章目录

了解本专栏 订阅专栏 解锁全文
Limiiiing
关注
专栏目录
订阅专栏
InceptionNext:当Inception遇到ConvNeXt
AI浩
06-24 1301
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。
CV attention | PSA：极化自注意力，助力语义分割/姿态估计涨点！
W1995S的博客
07-17 6295
导读 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]。 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，提出了一种更加精细的双重注意力机制——极化自注意力。作为一个即插即用的
YoloV9改进策略：Block篇|基于FasterNet的Block改进|性能和精度得到大幅度提高（独家原创）
m0_47867638的博客
05-31 289
【代码】YoloV9改进策略：Block篇|基于FasterNet的Block改进|性能和精度得到大幅度提高（独家原创）
【第64篇】ConvNeXt V2论文翻译：ConvNeXt V2与MAE激情碰撞
AI浩
01-06 1970
论文链接：ConvNeXt V2 在改进的架构和更好的表示学习框架的推动下，视觉识别领域在21世纪20年代初实现了快速现代化和性能提升。例如，以ConvNeXt[52]为代表的现代ConvNets在各种场景中都表现出了强大的性能。虽然这些模型最初是为使用ImageNet标签的监督学习而设计的，但它们也可能受益于自监督学习技术，如蒙面自编码器(MAE)[31]。然而，我们发现，简单地结合这两种方法会导致性能不佳。在本文中，我们提出了一个全卷积掩码自编码器框架和一个新的全局响应归一化(GRN)层，可以添加到Co
FFA-Net：用于单图像去雾的特征融合注意力网络
AI浩
06-05 2208
论文链接：https://arxiv.org/pdf/1911.07559v2在这篇论文中，我们提出了一种端到端的特征融合注意力网络（FFA-Net）来直接恢复无雾图像。FFA-Net架构由三个关键组件组成：一种新颖的特征注意力（FA）模块结合了通道注意力与像素注意力机制，考虑到不同通道特征包含完全不同的加权信息，且雾在图像的不同像素上分布不均匀。FA模块对不同的特征和像素进行非等权重处理，这在处理不同类型的信息时提供了额外的灵活性，扩展了卷积神经网络（CNNs）的表示能力。
YOLOv8改进 | Conv篇 | 轻量级下采样方法ContextGuided（大幅度涨点）
热门推荐
Snu77的博客
12-16 1万+
本文给大家带来的是改进机制是一种替换Conv的模块Context Guided Block (CG block)，其实在CGNet论文中提出的一种模块，其基本原理是模拟人类视觉系统依赖上下文信息来理解场景。CG block 用于捕获局部特征、周围上下文和全局上下文，并将这些信息融合起来以提高准确性，)(经过我检验分别在三种数据集上，大中小均进行了150轮次的实验，均有一定程度上的涨点，下面我选取了一种中等大小的数据集的结果进行了对比)，同时本文的修改方法和之前的普通卷积模块也有所不同。
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 1078
yolov8改进，yolov8，注意力机制
【YOLOv10改进-注意力机制】Polarized Self-Attention: 极化自注意力，双重注意力机制
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。
07-04 862
像素级回归可能是细粒度计算机视觉任务中最常见的问题，例如估计关键点热图和分割掩模。这些回归问题非常具有挑战性，特别是因为它们需要在低计算开销下对高分辨率输入/输出建模长距离依赖关系，以估计高度非线性的像素级语义。尽管深度卷积神经网络（DCNNs）中的注意机制已经流行起来，用于增强长距离依赖关系，但是元素特定的注意力，例如非局部块，学习起来非常复杂且对噪声敏感，而大多数简化的注意力混合体试图在多种任务类型之间达到最佳折衷。
YoloV9改进策略：EMA注意力机制在YoloV9中的创新应用与显著性能提升|即插即用
m0_47867638的博客
08-07 1174
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。
YOLOv8改进 | 注意力篇 | YOLOv8引入Polarized Self-Attention注意力机制
最新发布
tsg6698的博客
09-01 229
在本文中，我们提出了偏振自注意力（PSA）模块，它结合了高质量像素级回归的两个关键设计：（1）偏振过滤：在通道和空间注意力计算中保持高内部分辨率，同时完全折叠输入张量 它们的对应尺寸。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YOLOv8改进有效涨点专栏，后期我会根据各种最新的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~极化滤波：PSA在通道和空间注意力计算中保持高内部分辨率，同时沿着其对应的维度完全折叠输入张量。
MobileNetV4——移动生态系统的通用模型
AI浩
04-26 2231
论文链接：https://arxiv.org/pdf/2404.10518我们推出了最新一代的MobileNets，称为MobileNetV4（MNv4），其特点是为移动设备提供普遍高效的架构设计。在核心部分，我们引入了通用倒置瓶颈（UIB）搜索块，这是一种统一且灵活的结构，融合了倒置瓶颈（IB）、ConvNext、前馈网络（FFN）以及新型Extra Depthwise（ExtraDW）变体。
YOLOv8改进 | 注意力机制 | RCS-OSA替换C2f实现暴力涨点（减少通道的空间对象注意力机制）
Snu77的博客
12-09 5477
本文给大家带来的改进机制是RCS-YOLO提出的RCS-OSA模块，其全称是"Reduced Channel Spatial Object Attention"，意即"减少通道的空间对象注意力"。这个模块的主要功能是通过减少特征图的通道数量，同时关注空间维度上的重要特征，来提高模型的处理效率和检测精度。亲测在小目标检测和大尺度目标检测的数据集上都有大幅度的涨点效果(mAP直接涨了大概有0.6左右。
YOLOv9改进策略【模型轻量化】| GhostNetV2：利用远距离注意力增强廉价操作
qq_42591591的博客
09-01 904
本文记录的是基于GhostNet V2的YOLOv9目标检测轻量化改进方法研究。在目前的研究中，基于轻量级卷积神经网络在建模长距离依赖方面的不足，引入自注意力机制虽能捕获全局信息，但在实际速度方面存在较大阻碍。提出了一种硬件友好的注意力机制（DFC attention），并基于此构建。
YOLOv9改进策略 | 细节创新篇 | 迭代注意力特征融合AFF机制创新RepNCSPELAN4
Snu77的博客
04-20 2368
本文给大家带来的改进机制是AFF（迭代注意力特征融合），其主要思想是通过改善特征融合过程来提高检测精度。传统的特征融合方法如加法或串联简单，未考虑到特定对象的融合适用性。iAFF通过引入多尺度通道注意力模块(我个人觉得这个改进机制就算融合了注意力机制的求和操作)更好地整合不同尺度和语义不一致的特征。该方法属于细节上的改进并不影响任何其它的模块，非常适合大家进行融合改进，单独使用也是有一定的涨点效果。欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的文件和交流群提供给大家。
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 9207
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改进策略 ：红外小目标 | 注意力 |多膨胀通道精炼（MDCR）模块，红外小目标暴力涨点| 2024年3月最新成果
04-11 548
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
YOLOv9最新改进系列：Involution新卷积网络算子融合于YOLOv9网络，更大的空间范围中总结上下文信息，助力YOLOv9检测性能再上新台阶！
weixin_51692073的博客
04-15 1107
YOLOv9最新改进系列：Involution新卷积网络算子融合于YOLOv9网络，更大的空间范围中总结上下文信息，助力YOLOv9检测性能再上新台阶！
yolov8改进专栏
09-02
这个专栏是为那些希望改进YOLOv8并发表论文的同学们而设计的。 它紧跟YOLOv8官方项目的实时更新，并介绍了一系列改进方法和技术。其中包括特征融合、轻量级通用上采样算子CARAFE、全维动态卷积、BiFPN结构、Slim-neck设计范式、中心化特征金字塔EVC模块、渐进特征金字塔网络AFPN结构等。此外，该专栏还介绍了YOLOv8的损失函数变种和后处理方式，以及关于检测头、优化器和激活函数的内容。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [《YOLOv8改进实战专栏》专栏介绍 & 专栏目录](https://blog.csdn.net/weixin_43694096/article/details/130671688)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]
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

Limiiiing

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