YOLOv9改进策略【注意力机制篇】| MCAttention 多尺度交叉轴注意力

已于 2024-10-11 15:40:33 修改
阅读量608 收藏 11
点赞数 14
分类专栏： YOLOv9改进专栏 文章标签： 计算机视觉 深度学习 YOLO 目标检测
于 2024-09-20 09:10:29 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/142083276
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注意力模块通过构建了两个并行轴向注意力之间的交互，更有效地利用多尺度特征和全局上下文，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。

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
YOLOv11改进策略【注意力机制篇】| 2023 MCAttention 多尺度交叉轴注意力 获取多尺度特征和全局上下文信息
qq_42591591的博客
10-11 732
本文记录的是基于MCA注意力模块的YOLOv11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YOLOv11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。
yolov8结合se注意力机制提升检测效果
03-01
至关重要的是，我们发现 SE 模块能够以最小的额外计算成本为现有最先进的深度架构带来显着的性能改进。 SENets 构成了我们 ILSVRC 2017 分类提交的基础，该分类提交赢得了第一名，并将 top-5 错误率显着降低至 2.251...
【论文阅读】MCANet: Medical Image Segmentation with Multi-Scale Cross-Axis Attention
AI浩
12-25 3033
链接：https://arxiv.org/abs/2312.08866医学图像分割是医学图像处理和计算机视觉领域的关键挑战之一。由于病变区域或器官的大小和形状各异，有效地捕捉多尺度信息和建立像素间的长距离依赖性至关重要。本文提出了一种基于高效轴向注意力的多尺度交叉轴注意（MCA）方法来解决这些问题。MCA通过计算两个并行轴向注意力之间的双向交叉注意力，以更好地捕获全局信息。
YOLOv8改进 | 注意力机制 | 添加MSDA多尺度空洞注意力（全新的YOLOv8改进策略）
Snu77的博客
12-25 7416
本文给大家带来的改进机制是MSDA（多尺度空洞注意力）发表于今年的中科院一区(算是国内计算机领域的最高期刊了)，其全称是"DilateFormer: Multi-Scale Dilated Transformer for Visual Recognition"。MSDA的主要思想是通过线性投影得到特征图X的相应查询、键和值。然后，将特征图的通道分成n个不同的头部，并在不同的头部中以不同的扩张率执行多尺度SWDA来提高模型的处理效率和检测精度。
即插即用系列 | Meta 新作 MMViT: 基于交叉注意力机制的多尺度和多视角编码神经网络架构
专注计算机视觉全栈知识分享
06-04 1832
本文主要提出了一种新颖的多尺度及多视图视觉 Transformer 模型，作为适用于多种模态的主干网络。该模型将多个视图输入到多尺度阶段层次结构模型中，并结合了多尺度视觉 Transformer（MViT）和多视图 Transformer（MTV）的优点。在每个尺度阶段，使用交叉注意力层来合并不同分辨率的视图信息，从而使网络能够捕捉复杂的高维特征。实验结果表明，MMViT 模型有一定的性能提升。
CrossViT:用于图像分类的交叉注意多尺度Vision Transformer
qq_47896523的博客
07-02 1038
Vision Transformer, ViT[11]首先将图像分割成一定大小的patch token序列，然后将每个patch线性投影为token。一个额外的分类令牌(CLS)被添加到序列中。此外，由于Transformer Encoder中的自注意力与位置无关，并且视觉应用高度需要位置信息，因此ViT在每个令牌中添加了位置嵌入，包括CLS令牌。之后，所有令牌都通过堆叠的Transformer Encoder传递，最后使用CLS令牌进行分类。
MCANet，多尺度轴向注意力网络
qq_45371200的博客
01-04 1484
标题：MCANet: Medical Image Segmentation with Multi-Scale Cross-Axis Attention。
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
qq_42591591的博客
09-20 691
本文记录的是基于FCAttention模块的YOLOv9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。
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。
CBAM注意力机制代码，以及如何对yolov5进行改进
12-06
CBAM（Channel and Spatial Attention Module，通道和空间注意力模块）是一种有效的注意力机制，它通过引入注意力机制来增强模型的学习能力，使得网络能够更好地关注输入图像中的关键区域。本篇文章将详细探讨CBAM在...
基于CBAM空间注意力机制改进YOLOv5的公路智能巡检系统.zip
02-06
标题中的“基于CBAM空间注意力机制改进YOLOv5的公路智能巡检系统”表明了这是一个利用计算机视觉技术，特别是深度学习模型YOLOv5，针对公路巡检场景进行优化的项目。CBAM（Convolutional Block Attention Module）是...
本科毕设-YOLOV5+注意力机制训练测试源码
06-28
包括YOLOV5复现，YOLOV5加注意力机制改进，成功将在VOC数据集上的精确度由76%提升至77%。 包括训练及测试代码，仅包括代码，本人已经调通，仅需要更改路径即可。不包含预训练权重，资源仅包含本人实现的全部代码，不...
本科毕设-YOLOV5+注意力机制源码及训练测试权重及结果
05-14
包括YOLOV5复现，YOLOV5加注意力机制改进，成功将在VOC数据集上的精确度由76%提升至77%。内含复现和改进的最好权重，省得重新训练了。 训练结果文件：最好权重，损失函数及预测准确率结果图及指标、F1_curve图、P_...
U-Net结构改进：双交叉注意力模块（DCA）
记录
05-07 1万+
本文由迈阿密大学的研究团队于2023年3月30日发表，提出了双交叉注意力模块（Dual Cross-Attention , DCA），其目标是在轻微的参数和复杂性增加的情况下改进U-Net及其变体，能够简单而有效地增强u-net结构中的跳跃连接（skip-connection）。
CVPR 2021 | DMSANet：双多尺度注意力机制
u011447962的博客
07-30 9149
paper:https://arxiv.org/pdf/2106.08382.pdf code:https://github.com/abhinavsagar/DMSANet 双多尺度注意力网络（DMSANet）在图像分类、目标检测和实例分割上均适用，性能优于EPSANet、FcaNet和SENet等网络 摘要 注意机制最近在计算机视觉领域很受欢迎。为了提高网络的性能，已经做了许多工作，尽管它几乎总是会增加计算复杂度。文章提出了一种新的注意模块，它不仅性能最好，而且具有较少的参数。文章中的注意模块可
双多尺度注意力网络（DMSANet: Dual Multi Scale Attention Network）
qq_40107571的博客
10-29 2652
双多尺度注意力网络
使用多尺度注意力进行语义分割
AI公园
11-27 1854
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶”作者：Andrew Tao and Karan Sapra编译：ronghuaiyang导读来自NVIDIA的SOTA语义分割文...
YOLO即插即用---PConv
最新发布
llz19670的博客
11-06 1460
论文地址：2303.03667。
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