YOLOv9改进策略【注意力机制篇】| NAM 即插即用模块，重新优化通道和空间注意力

已于 2024-10-11 15:41:20 修改
阅读量61 收藏
点赞数 1
分类专栏： YOLOv9改进专栏 文章标签： YOLO 深度学习 目标检测 计算机视觉
于 2024-09-25 13:17:28 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/142444335
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NAM模块的YOLOv9目标检测改进方法研究。 许多先前的研究专注于通过注意力操作捕获显著特征，但缺乏对权重贡献因素的考虑，而这些因素能够进一步抑制不重要的通道或像素。而本文利用NAM改进YOLOv9，通过权重的贡献因素来改进注意力机制，提高模型精度。

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
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 1177
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。
YOLOv10改进策略【注意力机制篇】| NAM 即插即用模块，重新优化通道和空间注意力（含二次创新）
qq_42591591的博客
10-08 839
本文记录的是基于NAM模块的YOLOv10目标检测改进方法研究。 许多先前的研究专注于通过注意力操作捕获显著特征，但缺乏对权重贡献因素的考虑，而这些因素能够进一步抑制不重要的通道或像素。而本文利用改进，通过权重的贡献因素来改进注意力机制，提高模型精度。NAM: Normalization-based Attention Module注意力模块的设计的原理和优势如下：​Bin​−μB​​+β，其中μB\mu_{B}μB​和σB\sigma_{B}σB​分别是小批量BBB的均值和标准差；γ\gammaγ和β\b
YOLOv11改进策略【注意力机制篇】| NAM 即插即用模块，重新优化通道和空间注意力
最新发布
qq_42591591的博客
10-11 234
本文记录的是基于NAM模块的YOLOv11目标检测改进方法研究。 许多先前的研究专注于通过注意力操作捕获显著特征，但缺乏对权重贡献因素的考虑，而这些因素能够进一步抑制不重要的通道或像素。而本文利用改进，通过权重的贡献因素来改进注意力机制，提高模型精度。NAM: Normalization-based Attention Module注意力模块的设计的原理和优势如下：​Bin​−μB​​+β，其中μB\mu_{B}μB​和σB\sigma_{B}σB​分别是小批量BBB的均值和标准差；γ\gammaγ和β\b
即插即用篇 | YOLOv8引入PSAModule | 高效金字塔压缩注意力模块
YOLOv8项目贡献者
05-11 1816
YOLOv8引入PSAModule | 高效金字塔压缩注意力模块
YOLOv9改进策略：注意力机制 | 归一化的注意力模块（NAM）
03-17 1204
NAM作为一种高效且轻量级的注意力机制。采用了CBAM的模块集成并重新设计了通道和空间注意子模块。
即插即用篇 | YOLOv8 引入多光谱通道注意力 | 频率领域中的通道注意力网络
YOLOv8项目贡献者
05-11 1803
多光谱通道注意力
即插即用篇 | YOLOv10 引入 NAM 注意力机制 | 《NAM: Normalization-based Attention Module》
YOLOv8项目贡献者
08-18 67
即插即用篇 | YOLOv10 引入 NAM 注意力机制 | 《NAM: Normalization-based Attention Module》
即插即用篇 | YOLOv8 引入 NAM 注意力机制 | 《NAM: Normalization-based Attention Module》
YOLOv8项目贡献者
03-06 1287
YOLOv8 引入 NAM 注意力机制 | 《NAM: Normalization-based Attention Module》
YOLOv9改进策略 ：注意力机制 | 可变形自注意力Attention，增强sparse attention 的表征能⼒，同时具有线性空间复杂度，即插即用系列
03-31 433
可形变与attention 的完美融合| 亲测在多个数据集实现暴力涨点，对遮挡场景、小目标场景提升也明显；
YOLO11 改进 | 注意力机制 | 处理原始SE通道信息丢失问题的ESE【全文干货】
kay_545
10-09 717
yolo11，yolo11改进，
毒蘑菇检测数据集 9200张 14类毒蘑菇 带标注 voc yolo
阿利同学的博客
10-07 1213
毒蘑菇检测数据集 9200张 14类毒蘑菇 带标注 voc yolo
夜间道路目标检测数据集 5000张 夜间道路 带标voc yolo
阿利同学的博客
10-03 414
夜间道路目标检测数据集 5000张 夜间道路 带标voc yolo
雨天道路目标检测数据集（黑夜和白天） 3600张 雨天 带标注 voc yolo 7类
阿利同学的博客
10-09 570
雨天道路目标检测数据集（黑夜和白天） 3600张 雨天 带标注 voc yolo 7类
计算机视觉之OpenCV vs YOLO
乐学吧
10-10 1174
OpenCV 和 YOLO 在计算机视觉领域各有特点和优势。OpenCV 是一个功能强大的计算机视觉库，提供了广泛的算法和工具；而 YOLO 是一种高效的目标检测算法，适用于特定的应用场景。在实际应用中，可以根据具体需求选择合适的工具和算法。
Yolov8轻量级网络改进GhostNet
qq_53545309的博客
10-04 262
由于内存和计算资源有限，在移动设备上部署卷积神经网络 （CNN） 很困难。我们的目标是通过利用特征图中的冗余，为 CPU 和 GPU 等异构设备设计高效的神经网络，这在神经架构设计中很少被研究。对于类 CPU 设备，我们提出了一种新颖的 CPU 高效 Ghost （C-Ghost） 模块，以从廉价操作中生成更多特征图。基于一组内在特征图，我们以较低的成本应用了一系列线性变换来生成许多幽灵特征图，这些图可以完全反映内在特征背后的信息。所提出的 C-Ghost 模块可以作为升级现有卷积神经网络的即插即用组件。
【YOLO目标检测行人与车数据集】共5607张、已标注txt格式、有训练好的yolov5的模型
LINBONB的博客
10-02 626
标注数量(txt文件个数)：5607。标注类别名称：person、car。训练好的yolov5检测模型。数据集格式：YOLO格式。
道路积水检测数据集 1450张 路面积水 带分割 voc yolo
阿利同学的博客
10-09 574
道路积水检测数据集 1450张 路面积水 带分割 voc yolo
【YOLO目标检测吸烟检测数据集】共6097张、已标注txt格式、有训练好的yolov5的模型
LINBONB的博客
10-03 567
标注数量(txt文件个数)：6097。训练好的yolov5检测模型。数据集格式：YOLO格式。标注类别名称：smoke。
YOLOv5添加NAM注意力机制
07-27
YOLOv5添加NAM（Non-local Attention Module）注意力机制可以提高物体检测的性能和精确度。下面是一种可能的实现方法： 1. 在YOLOv5的网络结构中，找到适合插入NAM的位置。通常，可以在主干特征提取网络的某个阶段进行插入，比如在卷积层或者残差块之后。 2. 在插入位置之后，引入NAM模块。NAM模块的目标是引入全局上下文信息，并且使不同位置的特征之间能够相互交流。NAM模块通常包括以下几个步骤： a. 先将输入特征图进行三次降维操作，分别得到三个降维特征图（query、key、value），用于计算注意力权重。 b. 将query、key特征图进行相乘，得到注意力权重图。 c. 注意力权重图与value特征图相乘，得到加权特征图。 d. 将加权特征图与输入特征图进行残差连接，得到输出特征图。 3. 在YOLOv5的训练过程中，需要通过反向传播来调整NAM模块内部的参数，以使其能够学习到适合当前任务的注意力权重。 需要注意的是，以上只是一种可能的实现方法，具体的细节和参数设置可能需要根据具体的应用场景和实验结果进行调整。此外，添加NAM注意力机制可能会增加模型的计算量和复杂度，因此在实际应用中需要权衡性能和效果之间的平衡。
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