YOLOv9改进策略【注意力机制篇】| 2024 SCI TOP FCAttention 即插即用注意力模块，增强局部和全局特征信息交互

已于 2024-10-11 15:41:01 修改
阅读量691 收藏 4
点赞数 7
分类专栏： YOLOv9改进专栏 文章标签： 计算机视觉 YOLO 深度学习 目标检测
于 2024-09-20 13:50:07 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/142083199
版权
YOLOv9改进专栏 专栏收录该内容
51 篇文章 8 订阅 ¥69.90 ¥99.00
订阅专栏

一、本文介绍

本文记录的是基于FCAttention模块的YOLOv9目标检测改进方法研究。FCAttention是图像去雾领域新提出的模块能够有效整合全局和局部信息、合理分配权重的通道注意力机制，使得网络能够更准确地强调有用特征，抑制不太有用的特征，在目标检测领域中同样有效。

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

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
YOLOv10改进 | 注意力改进篇-图像去雾 | YOLOv10引入FCAttention捕捉全局和局部信息交互即插即用注意力模块（来自2024 SCI 一区）
qq_45972324的博客
09-07 359
论文地址点击此处即可跳转代码地址点击此处即可跳转摘要：最近，无监督算法在图像去雾方面取得了显著的性能。然而，CycleGAN 框架由于数据分布不一致，会导致生成器学习出现混淆，而 DisentGAN 框架对生成的图像缺乏有效的约束，导致图像内容细节丢失和颜色失真。此外，Squeeze 和 Excitation 通道注意力仅使用全连接层来捕获全局信息，缺乏与局部信息的交互，导致图像去雾的特征权重分配不准确。
YOLOV7改进-添加注意力机制
m0_46700884的博客
07-05 4331
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。
YOLOv11改进策略【注意力机制篇】| 2024 SCI TOP FCAttention 即插即用注意力模块，增强局部和全局特征信息交互
qq_42591591的博客
10-11 581
本文记录的是基于FCAttention模块的YOLOv11目标检测改进方法研究。是图像去雾领域新提出的模块能够，在目标检测领域中同样有效。
attention机制总结
算法小白
03-28 1万+
一、背景 视觉注意力机制是人脑特有的一种对信号处理的机制，人类视觉通过观察全局图像，选取一些局部重点关注区域，然后对这些区域投入更多注意力来获取更多的细节信息，抑制其他无用信息。 二、基本思想 Attention mechanism的本质是模仿人类视觉注意力机制，学习出一个对图像特征的权重分布，再把这个权重分布施加在原来的特征上，为后面任务如图像分类、图像识别等提供不同的特征影响，使得任务主...
YOLOv9改进策略【注意力机制篇】| MCAttention 多尺度交叉轴注意力
qq_42591591的博客
09-20 608
本文记录的是基于MCA注意力模块的YOLOv9目标检测改进方法研究。普通的轴向注意力难以实现长距离交互，不利于捕获分割任务中所需的空间结构或形状，而MCA注意力，在改进YOLOv9的过程中，能够契合目标形态，更有效的获取目标的全局信息。
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
09-01 973
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【注意力机制篇】| 引入Shuffle Attention注意力模块，增强特征图的语义表示
qq_42591591的博客
09-05 933
本文记录的是基于Shuffle Attention注意力模块的YOLOv9目标检测改进方法研究。通过独特的设计原理，在保持轻量级的同时实现了高效的特征注意力机制，增强了网络的表示能力。本文对YOLOv9的进行二次创新，以增强模型性能。
YOLOv10改进策略【注意力机制篇】| 2024 SCI TOP FCAttention 即插即用注意力模块，增强局部和全局特征信息交互
qq_42591591的博客
10-08 1276
本文记录的是基于FCAttention模块的YOLOv10目标检测改进方法研究。是图像去雾领域新提出的模块能够，在目标检测领域中同样有效。
YOLOv10改进 | 特征融合改进篇 | YOLOv10引入CAFMFusion高频与低频特征融合模块（全网独家创新）二次创新模块
qq_45972324的博客
09-07 355
CGAFusion（2024 TIP顶刊） 结合 CAFM（2024 SCI 二区）：CAFMFusion用于高频与低频特征校准/融合模块 （冲二，三，保四）CAFM:所提出的卷积和注意力特征融合模块。它由局部和全局分支组成。在局部分支中，采用卷积和通道洗牌进行局部特征提取。在全局分支中，注意力机制用于对长程特征依赖关系进行建模。CGAFusion（2024 TIP顶刊）:我们提出了一种新的注意机制，可以强调用特征编码的更多有用的信息，以有效地提高性能。
实时语义分割——DFANet及Keras实现
kobayashi_的博客
04-02 878
实时语义分割——DFANet DFANet: Deep Feature Aggregation for Real-Time Semantic Segmentation pytorch实现 1 huaifeng1993/DFANet 2 Tramac/awesome-semantic-segmentation-pytorch Our proposed network starts from a single lightweight backbone and aggregates discriminat
Attention机制、HAN
雪糕cool的博客
03-19 1000
一、Attention机制 1.为什么要用Attention 在encoder-decoder架构中，当输入序列比较长时，模型的性能会变差，因为即便是LSTM或GRU也是对文本的信息进行了压缩，尤其是对于机器翻译、摘要生成等任务而言，decoder每个时间步的输出其实是对encoder各时间步的输入有不同的侧重的。因此，引入attention机制，来对encoder各时间步赋以不同的权重，也即...
详解注意力机制（Attention）——Global/Local/Self Attention
Little Garden
10-25 2万+
详解注意力（Attention）机制 ​ 注意力机制在使用encoder-decoder结构进行神经机器翻译（NMT）的过程中被提出来，并且迅速的被应用到相似的任务上，比如根据图片生成一段描述性语句、梗概一段文字的内容。从一个高的层次看，允许decoder从多个上下文向量（context vector）中选取需要的部分，使得Encoder只能将上下文信息压缩到固定长度的向量中这个束缚中解放出来，进...
Attention注意力机制--原理与应用
热门推荐
joshuaxx316的专栏
04-24 10万+
注意力机制即Attention mechanism在序列学习任务上具有巨大的提升作用，在编解码器框架内，通过在编码段加入A模型，对源数据序列进行数据加权变换，或者在解码端引入A模型，对目标数据进行加权变化，可以有效提高序列2序列的自然方式下的系统表现。 Attention模型的基本表述可以这样理解成（我个人理解）：当我们人在看一样东西的时候，我们当前时刻关注的一定是我们当前正在看的这样东西的某一
通俗易懂了解attention机制
u011311291的博客
05-03 2828
attention其实很简单，比如有翻译: 我喜欢游泳->I like swimming 那么在翻译的时候可以这样,也就是越靠近相对应的词，我越注意，影响也就越大 i = 0.7(“我”),0.2(“喜欢”)+0.1(“游泳”) like = 0.2(“我”),0.6(“喜欢”)+0.2(“游泳”) i = 0.1(“我”),0.2(“喜欢”)+0.7(“游泳”) tensorflow又两种...
YOLO即插即用---PConv
llz19670的博客
11-06 1460
论文地址：2303.03667。
2024年计算机视觉与图像处理国际学术会议 (CVIP 2024)
2302_79376097的博客
11-04 2142
目录大会简介主办单位，协办单位组委会主讲嘉宾征稿主题参会方式会议议程 重要信息会议官网：iccvip.org大会时间：2024年11月15日-17日大会地点：中国 杭州 2024年计算机视觉与图像处理国际学术会议(CVIP 2024)将于2024年11月15日-17日在中国杭州举行。会议将围绕计算机视觉与图像处理等研究领域展开，为来自国内外高等院校、科学研究所、企事业单位的专家、教授、学者、工程师等提供一个分享专业经验，扩大专业网络，面对面交流新思想以及展示研究成果的国际平台，探讨本领域发展所面临的关键性挑
《目标检测》——基础理论知识（目标检测的数据集、评价指标：IOU、mAP、非极大抑制NMS）
qq_59702185的博客
11-08 938
Annotations下存放的是xml⽂件,描述了图⽚信息，如下图所示，需要关注的就是节点下的数据,尤其是bndbox下的数据.xmin,ymin构成了boundingbox的左上⻆,xmax,ymax构成了boundingbox的右下⻆，也就是图像中的⽬标位置信息。NMS的原理是对于预测框的列表B及其对应的置信度S,选择具有最⼤score的检测框M,将其从B集合中移除并加⼊到最终的检测结果D中.通常将B中剩余检测框中与M的IoU⼤于阈值Nt的框从B中移除.重复这个过程,直到B为空。
计算机视觉 ---常见图像文件格式及其特点
最新发布
m0_72968288的博客
11-09 942
本文将介绍几种常见的图像文件格式及其特点
FCA注意力机制代码
10-10
FCA（Feature-wise Linear Modulation with Composite Attention）注意力机制是一种用于计算机视觉任务的注意力模型。下面是一个示例代码，展示了如何实现FCA注意力机制： ```python import torch import torch.nn as nn import torch.nn.functional as F class FCAAttention(nn.Module): def __init__(self, input_dim, hidden_dim): super(FCAAttention, self).__init__() self.fc1 = nn.Linear(input_dim, hidden_dim) self.fc2 = nn.Linear(hidden_dim, 1) def forward(self, input): x = F.relu(self.fc1(input)) attention_weights = F.softmax(self.fc2(x), dim=1) attended_input = torch.mul(attention_weights, input) output = torch.sum(attended_input, dim=1) return output # 示例用法 input_dim = 512 # 输入维度 hidden_dim = 256 # 隐藏层维度 attention = FCAAttention(input_dim, hidden_dim) input = torch.randn(32, input_dim) # 输入数据，32表示batch size output = attention(input) # FCA注意力机制的输出 print(output.shape) # 输出形状 ```
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