YOLOv11改进策略【Conv和Transformer】| ECCV-2024 Histogram Transformer 直方图自注意力 适用于噪声大，图像质量低的检测任务

已于 2024-12-26 10:07:36 修改
阅读量992 收藏 2
点赞数 9
分类专栏： YOLOv11改进专栏 文章标签： YOLO 深度学习 目标检测 计算机视觉
于 2024-10-15 12:41:55 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_42591591/article/details/142940088
版权

一、本文介绍

本文记录的是利用直方图自注意力优化YOLOv11的目标检测方法研究。在目标检测任务中，清晰准确的图像对于目标检测至关重要，本文创新方法通过恢复图像质量，可以减少因图像质量低导致的误检和漏检，实现有效涨点。

专栏目录：YOLOv11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：YOLOv11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
YOLOv11改进-模块-引入Histogram Transformer Block（HTB）解决恶劣天气（雨雾雪）
qq_64693987的博客
10-17 3578
Histogram Transformer Block（HTB）是一个专门为解决恶劣天气图像退化问题设计的模块，其核心思想是利用动态范围直方图自注意力机制来对图像中的退化区域进行有效处理。动态范围直方图自注意力（DHSA）和双尺度门控前馈网络（DGFF），它们共同用于从受天气影响的图像中提取特征。动态范围直方图自注意力（DHSA）直方图分类：根据像素的强度值将其分类到不同的直方图箱中，从而在这些强度基础的箱内和箱间应用自注意力机制。
即插即用篇 | YOLOv8 引入高效的直方图Transformer模块 | 突破天气障碍：Histoformer引领高效图像修复新路径“
YOLOv8项目贡献者
09-11 1018
即插即用篇 | YOLOv8 引入高效的直方图Transformer模块 | 突破天气障碍：Histoformer引领高效图像修复新路径"
图像处理中的Transformer Block实现与解析
qq_18943707的博客
03-24 1055
通过上述代码解析，我们深入了解了Transformer Block在图像处理中的实现细节。该模型通过结合注意力机制和前馈网络，有效提升了特征提取的能力。总结：优势并行计算能力强，适合大规模数据处理。注意力机制能够自动关注重要特征，提升模型的表达能力。不足之处计算复杂度较高，可能不适合实时处理任务。需要大量标注数据进行训练，对小样本场景效果有限。引入多尺度特征：结合不同尺寸的注意力机制，捕获多层次上下文信息。优化注意力计算：探索更高效的注意力计算方法，如稀疏注意力或分块计算。
Unet改进49：全网首发直方图TransformerBlock（2024最新模块）|通过将空间特征按强度排序并划分为不同的直方图区域（bins），从而对相似的降质像素进行分组处理
AIcurator的博客
09-28 461
摘要。基于变压器的恶劣天气图像恢复方法取得了重大进展。它们大多使用沿通道维度或空间固定范围块的自关注来减少计算负荷。然而，这种折衷导致了在捕获远程空间特征方面的限制。由于观测到天气引起的退化因素主要导致相似的遮挡和亮度，在这项工作中，我们提出了一种有效的直方图转换器(Histogram Transformer, Histoformer)来恢复受恶劣天气影响的图像。它是由一种被称为直方图自注意的机制驱动的，该机制将空间特征分类并分割成基于强度的箱子。
RT-DETR改进策略【Conv和Transformer】| ECCV-2024 Histogram Transformer 直方图自注意力 适用于噪声大，图像质量低的检测任务
Limiiiing的博客
11-19 1064
解决现有Transformer方法的局限：现有的基于Transformer的方法在处理恶劣天气图像恢复时，为了提高内存利用效率，通常将自注意力操作限制在固定的空间范围或仅仅在通道维度上，这种限制阻碍了Transformer对长距离空间特征的捕捉能力，从而影响了图像恢复的性能。利用天气退化特征：观察到天气引起的退化因素主要导致相似的遮挡和亮度变化，因此希望设计一种能够更好地处理这些特征的模块。
通过直方图转换器恢复恶劣天气条件下的图像
m0_59899305的博客
12-02 1453
计算机视觉领域对恢复受雨、雾和雪等恶劣天气条件影响的图像越来越感兴趣。这些天气条件会显著降低视觉质量，影响下游任务的性能，如目标检测[3,60]和深度估计[16,18]。因此，在恶劣天气下图像的恢复是一个至关重要的问题，为了视觉美学和安全。早期的研究利用天气相关的先验来模拟退化的统计特征，并去除不利天气[1,2,22,23,35,76,83,95,99]。
YOLOv8改进策略【Conv和Transformer】| ECCV-2024 Histogram Transformer 直方图自注意力 适用于噪声大，图像质量低的检测任务
Limiiiing的博客
12-14 156
解决现有Transformer方法的局限：现有的基于Transformer的方法在处理恶劣天气图像恢复时，为了提高内存利用效率，通常将自注意力操作限制在固定的空间范围或仅仅在通道维度上，这种限制阻碍了Transformer对长距离空间特征的捕捉能力，从而影响了图像恢复的性能。利用天气退化特征：观察到天气引起的退化因素主要导致相似的遮挡和亮度变化，因此希望设计一种能够更好地处理这些特征的模块。
YOLOv10改进策略【Conv和Transformer】| ECCV-2024 Histogram Transformer 直方图自注意力 适用于噪声大，图像质量低的检测任务
Limiiiing的博客
11-05 721
解决现有Transformer方法的局限：现有的基于Transformer的方法在处理恶劣天气图像恢复时，为了提高内存利用效率，通常将自注意力操作限制在固定的空间范围或仅仅在通道维度上，这种限制阻碍了Transformer对长距离空间特征的捕捉能力，从而影响了图像恢复的性能。利用天气退化特征：观察到天气引起的退化因素主要导致相似的遮挡和亮度变化，因此希望设计一种能够更好地处理这些特征的模块。
YOLOv12改进策略【Conv和Transformer】| ECCV-2024 Histogram Transformer 直方图自注意力 适用于噪声大，图像质量低的检测任务（二次改进A2C2f）
Limiiiing的博客
03-07 125
解决现有Transformer方法的局限：现有的基于Transformer的方法在处理恶劣天气图像恢复时，为了提高内存利用效率，通常将自注意力操作限制在固定的空间范围或仅仅在通道维度上，这种限制阻碍了Transformer对长距离空间特征的捕捉能力，从而影响了图像恢复的性能。利用天气退化特征：观察到天气引起的退化因素主要导致相似的遮挡和亮度变化，因此希望设计一种能够更好地处理这些特征的模块。
开源项目实战学习之YOLO11：12.1 ultralytics-models-sam-blocks.py源码
kngines
05-17 164
开源项目实战学习之YOLO11：12.1 ultralytics-models-sam-blocks.py源码
咖啡叶子病害检测数据集VOC+YOLO格式1468张4类别均为单叶子
FL1623863129的博客
05-17 583
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["Cercospora","Miner","Phoma","Rust"]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注数量(xml文件个数)：1468。标注数量(txt文件个数)：1468。
【计算机视觉】论文精读《基于改进YOLOv3的火灾检测与识别》
weixin_43988131的博客
05-17 795
论文精读《基于改进YOLOv3的火灾检测与识别》
YOLOv7训练时4个类别只出2个类别
qq_48873240的博客
05-16 926
在使用YOLOv7进行训练和预测时，发现模型仅能预测出两个类别（LFM和SFM），而实际应有四个类别。经过检查，特征图大小和anchors设置均与YOLOv3一致，且YOLOv3表现正常。最终发现问题可能出在detect.py中的conf-thres参数设置过高，将其从0.5调整为0.1后，问题得到解决。此外，还需注意在NMS操作时不使用classes参数，并在train.py中根据实际类别数和图片大小调整hyp['cls']和hyp['obj']的缩放比例。这些调整有助于确保模型能够正确预测所有类别。
基于YOLOv8-OBB的旋转目标检测：从数据制作到自动标注完整指南
fakerth的博客
05-18 522
本文介绍了如何使用 YOLOv8-OBB 进行旋转目标检测的完整流程。首先，针对传统水平边界框（HBB）在旋转目标检测中的不足，提出了旋转边界框（OBB）的概念。接着，详细阐述了数据集的制作与准备、模型的训练与预测、旋转框的裁剪与摆正以及基于模型的自动标注技术。在数据集制作部分，提供了目录结构示例；在训练部分，给出了代码示例和参数说明；在预测部分，展示了如何裁剪和摆正旋转框；最后，介绍了如何将模型预测的 OBB 转换为 VOC 格式的 XML 文件，以便于后续使用。
【YOLO 系列】基于YOLO的道路坑洞检测识别系统【python源码+Pyqt5界面+数据集+训练代码】
牧子川的博客
05-15 759
本文介绍了一种基于YOLO模型的道路坑洞检测系统，旨在提高道路维护的效率和安全性。系统采用Pyqt5库搭建用户界面，支持图片、视频和摄像头的检测，并能保存检测结果。通过本项目，期望为道路维护和管理提供技术支持，推动智能交通和城市管理的智能化升级。
玩转YOLOv10 多尺度多通道特征图
qq_48873240的博客
05-18 176
在YOLOv10的AutoBackend类的forward函数中，用户通过添加自定义代码实现了特征图的保存和可视化功能。具体包括三个部分：1）通过设置activate_state=1，可以保存特征图的激活情况，并计算不同通道的平均值；2）通过设置save_feature_map=1，可以保存多尺度（80x80、40x40、20x20）的特征图，并将其保存为图片文件；3）通过设置big_feature_map=1，可以将不同尺度的特征图拼接为一张长图，并保存为高分辨率图片。
YOLO V3目标检测模型
jdjhcn的博客
05-17 785
YOLO v3 通过多尺度检测（利用 FPN 结构在 13×13、26×26、52×52 三个特征图上分别检测大、中、小目标，每个尺度 3 种锚框共 9 种）、更强的 Darknet-53 骨干网络（53 层卷积 + 残差连接）、多标签分类（二元逻辑回归替代 softmax）、灵活输入尺寸（默认 416×416）以及优化的损失函数（边界框回归用 MSE，类别和置信度用二元交叉熵），显著提升了多尺度目标检测能力，在 COCO 数据集上 mAP@0.5 达 57.9%，兼顾精度与实时性（22ms / 帧，30
深度剖析：YOLOv8融入UNetv2 SDI模块的性能提升之旅
最新发布
shrgegrb的博客
05-18 1071
目标检测和分割是计算机视觉领域的核心任务，而YOLO系列作为目标检测领域的重要分支，以其高效和快速的特点受到了广泛关注。在YOLOv8中，尽管已经取得了显著的性能提升，但仍有进一步优化的空间。本文将探讨如何借鉴UNetv2提出的SDI多层次特征融合模块，为YOLOv8带来性能上的跃升。通过深入分析SDI模块的原理和实现，我们将展示如何将其融入YOLOv8架构中，提升分割任务的效率和准确性。
YOLOv8改进 | 注意力机制 | 添加Deformable-LKA
03-12
### 将注意力机制与 Deformable-LKA 集成至 YOLOv8 #### 1. 注意力机制简介 注意力机制允许模型聚焦于输入数据的关键部分，从而提高特定任务的表现。对于目标检测而言，这有助于更好地捕捉物体边界和细节。 #### 2...
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