【YOLOv8改进-卷积Conv】 SAConv(Switchable Atrous Convolution)：可切换的空洞卷积

已于 2024-06-29 09:28:33 修改
阅读量619 收藏 3
点赞数 8
分类专栏： YOLOV8基础解析+创新改进+实战案例 文章标签： YOLO 目标跟踪 人工智能 论文阅读
于 2024-06-02 17:04:59 首次发布
原创文章，禁止任何形式转载！
本文链接：https://blog.csdn.net/shangyanaf/article/details/139393928
版权
本文介绍了DetectoRS，一种结合递归特征金字塔和可切换空洞卷积（SAConv）的目标检测系统。SAConv通过不同空洞率的卷积和开关函数提高了特征表示，提升了YOLOv8的性能。在COCO test-dev上，DetectoRS达到了55.7%的检测框AP，48.5%的实例分割掩码AP和50.0%的全景分割PQ。
摘要由CSDN通过智能技术生成

YOLO目标检测创新改进与实战案例专栏

专栏目录： YOLO有效改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例

专栏链接: YOLO基础解析+创新改进+实战案例

文章目录


在这里插入图片描述

介绍

image-20240602165551072

摘要

许多现代目标检测器通过采用二次观察和思考机制展示了卓越的性能。在本文中，我们在

了解本专栏 订阅专栏 解锁全文
YOLO大师
关注
专栏目录
订阅专栏
YOLOv8改进 | SAConv可切换空洞卷积（附修改后的C2f+Bottleneck）
Snu77的博客
11-26 6027
本文给大家带来的改进机制是可切换的空洞卷积SAC）是一种创新的卷积网络机制，专为增强物体检测和分割任务中的特征提取而设计。SAC的核心思想是在相同的输入特征上应用不同的空洞率进行卷积，并通过特别设计的开关函数来融合这些不同卷积的结果。这种方法使得网络能够更灵活地适应不同尺度的特征，从而更准确地识别和分割图像中的物体。通过本文你能够了解到：可切换的空洞卷积的基本原理和框架，能够在你自己的网络结构中进行添加(值得一提的是一个SAConv大概可以降低0.3GFLOPs)。
YOLOv8改进 | 卷积模块 | SAConv可切换空洞卷积
kay_545
07-03 1334
yolov8，yolov8改进，SAConv
【YOLOv8改进[Conv]】动态蛇形卷积(Dynamic Snake Convolution,2023) | 使用C2f_DSConv改进v8 + 含全部代码和详细修改方式 + 手撕结构图
静谧、淡雅
08-19 337
【YOLOv8改进[Conv]】动态蛇形卷积(Dynamic Snake Convolution) | 使用C2f_DSConv改进v8 + 含全部代码和详细修改方式 + 手撕结构图
池化和空洞卷积_DetectoRS: 递归特征金字塔 & 可切换空洞卷积
weixin_35725821的博客
01-16 2008
DetectoRS网络是于2020年提出，它的主要创新点在于：①递归特征金字塔(Recursive Feature Pyramid)；②可切换空洞卷积(Switchable Atrous Convolution)。递归特征金字塔代表宏观层面，采用的是自下而上的反馈连接方式，本质上是对backbone进行优化设计；可切换空洞卷积代表微观层面，以不同的空洞率对特征进行卷积，并使用switch...
【论文笔记】：DetectoRS: Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution
Activewaste
06-12 2989
&Title DetectoRS: Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution 代码 &Summary 许多现代的物体检测器通过使用两次观察和思考的机制展示了出色的性能。 在本文中，我们探索了用于目标检测的主干设计中的这种机制。 ’ 在宏级别，我们提出了递归特征金字塔，它结合了从特征金字塔网络到自下而上的骨干层的额外反馈连接。 在微观层面上，我们提出了可切换的At
DetectoRS: Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution
qq_52302919的博客
03-04 1486
在宏观层面上，作者提出的递归特征金字塔 (RFP)建立在特征金字塔网络(FPN)之上，将FPN层的额外反馈连接合并到自底向上的骨干层，如上所示。将递归结构展开到一个顺序实现中，获得了一个对象检测器的主干，它可以查看两次或两次以上的图像。类似于Cascade R-CNN用更有选择性的例子训练的级联检测头，RFP递归地增强F
【论文阅读】DetectoRS|Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution
一碗白开水一
08-12 668
题目：DetectoRS：Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution 作者：Siyuan Qiao Liang-Chieh Chen Alan Yuille Motivation: 作者看到很多目标检测的网络都采用looking and thinking twice 的机制，然后作者也想来爽一把，于是乎牛逼的DetectoRS问世了。 Methods: 本文主要体现looking and
【YOLOv10改进-卷积Conv】 SAConv(Switchable Atrous Convolution)：可切换的空洞卷积
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。
07-06 445
许多现代目标检测器通过采用二次观察和思考机制展示了卓越的性能。在本文中，我们在目标检测的主干设计中探索了这一机制。在宏观层面上，我们提出了递归特征金字塔（Recursive Feature Pyramid），该金字塔将特征金字塔网络（Feature Pyramid Networks）的额外反馈连接融入到底层的自下而上主干层中。在微观层面上，我们提出了可切换空洞卷积（Switchable Atrous Convolution），该卷积通过不同的空洞率卷积特征，并使用切换函数汇集结果。
【YOLOv11改进-卷积Conv】 SAConv(Switchable Atrous Convolution)：可切换的空洞卷积
最新发布
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。
10-20 1265
【YOLOv11改进-卷积Conv】 SAConv(Switchable Atrous Convolution)：可切换的空洞卷积
YOLOv5改进 | 卷积篇 | SAConv轻量化的可切换空洞卷积（附修改后的C3+Bottleneck）
Snu77的博客
01-06 2117
本文给大家带来的改进机制是可切换的空洞卷积（Switchable Atrous Convolution, SAC）是一种创新的卷积网络机制，专为增强物体检测和分割任务中的特征提取而设计。SAC的核心思想是在相同的输入特征上应用不同的空洞率进行卷积，并通过特别设计的开关函数来融合这些不同卷积的结果。这种方法使得网络能够更灵活地适应不同尺度的特征，从而更准确地识别和分割图像中的物体。可切换的空洞卷积的基本原理和框架，能够在你自己的网络结构中进行添加。
论文导读：DetectoRS： Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution
onebe的博客
12-12 1150
论文导读：DetectoRS： Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution Abstract 许多现在的目标检测方法通过两次寻找搜索展示卓越的性能，这篇文章的主要原理是在 目标检测的backbone设计上。在宏观层面，我们提出Recursive Feature Pyramid(递归特征金字塔):包括从FPN提出额外的反馈连接进入up-bottom backbone layers。从微观层
论文阅读：DetectoRS: Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution
j879159541的博客
06-30 4679
文章目录1、论文总述2、RFP模块的具体实现3、SAC模块的具体实现4、 Ablation Studies 1、论文总述 本篇论文提出的目标检测模型DetectoRS在COCO数据集上的性能是当前最好（mAP：54.7），在实例分割和全景分割上效果也不错，主要是因为提出的改进方法是 基于backbone和FPN的， 适用于多种视觉任务，其他次优模型如：ResNeSt，CBnet也是基于backbone的改进，也许现在的趋势就是目标检测的网络结构大致已定（除anchor-free系列外），而且也有论文统计过，
【YOLOv5/v7改进系列】引入SAConv——可切换空洞卷积
2401_84870184的博客
07-19 1366
SAConv,DetectoRS 在COCO测试集上取得了非常优秀的检测、实例分割和全景分割性能，例如达到55.7%的边界框平均精度（box AP）和48.5%的掩模平均精度（mask AP），以及50.0%的全景质量分数（PQ）。这有助于增强对物体的识别能力。：虽然DetectoRS提供了卓越的性能，但增加的递归和多尺度处理可能需要更多的计算资源和更长的训练时间，这可能限制了其在资源受限环境中的应用。：由于模型引入了递归和可切换的组件，模型的复杂度有所增加，这可能影响模型的实时性和部署成本。
DetectoRS: Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution 论文笔记
qq_30146937的博客
10-09 2787
前言 本文分别从宏观和微观角度对目标检测模型的backbone进行设计，进而提出DetectorRS， 在宏观上，提出递归特征金字塔（Recursive Feature Pyramid，RFP），它是在FPN的基础上建立的，通过将FPN中额外的反馈连接整合到自底向上的backbone中，以构成RFP，如下图所示，图中的黑色实线箭头就是所提到的反馈连接。具体来说，这个反馈连接将detector head中直接接收梯度的特征（因该就是语义信息丰富的特征）带回到backbone的较低层级的特征层中，从而能够加
DetectoRS: Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution论文学习
calvinpaean的博客
06-12 2450
Abstract 很多的目标检测器通过 looking and thinking twice 的方式实现了惊人的表现。本文作者针对目标检测主干网络的设计，研究了该机制。在宏观层面，作者提出了递归特征金字塔，将来自FPN的额外的反馈连接加入到自下而上的主干层。在微观层面，作者提出了可切换的空洞卷积（SAC），它以不同的空洞率（rate）对特征进行卷积，并使用switch函数合并卷积后的结果。这样就得到了DetectoRS，极大地提升了目标检测性能。在COCO 测试验证集上，DetectoRS 取得了SOTA的
YOLO11改进|卷积篇|引入可切换空洞卷积SAConv
A1983Z的博客
10-11 1307
YOLO11中添加可切换空洞卷积SAConv
YOLOv8改进 | 卷积模块 | 用坐标卷积CoordConv替换Conv
kay_545
06-19 1761
yolov8，yolov8改进，利用坐标信息卷积CoordConv
YOLOv8改进有效涨点系列-＞多位置替换可变形卷积(DCNv1、DCNv2、DCNv3)
热门推荐
Snu77的博客
11-05 1万+
这篇文章主要给大家讲解如何在多个位置替换可变形卷积，它有三个版本分别是DCNv1、DCNv2、DCNv3，在本篇博文中会分别进行介绍同时进行对比，通过本文你可以学会在YOLOv8中各个位置添加可变形卷积包括(DCNv1、DCNv2、DCNv3)，可替换的位置包括->替换C2f中的卷积、DarknetBottleneck中的卷积、主干网络(Backbone)中的卷积等多个位置。
yolov8改进spd-conv
07-28
目前还没有YOLOv8这个版本的改进，最新的版本是YOLOv5。YOLOv5是在YOLOv4的基础上进行改进的，主要是通过引入SPD-Conv构建块来提高性能。SPD-Conv由一个空间到深度(SPD)层和一个无卷积步长(Conv)层组成，可以应用于大多数CNN体系结构。这个构建块的引入可以解决低分辨率图像和小物体等困难任务时的性能下降问题。\[3\] 所以，目前还没有关于YOLOv8改进SPD-Conv的相关研究或实现。如果有关于YOLOv8的改进，可能会在未来的研究中提到。 #### 引用[.reference_title] - *1* *2* *3* [涨点神器：基于Yolov5/Yolov7的SPD-Conv，低分辨率图像和小物体涨点明显](https://blog.csdn.net/m0_63774211/article/details/129661154)[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^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] [ .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

YOLO大师

你的打赏，我的动力

¥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