【YOLOv8改进- 多模块融合改进】ResBlock + CBAM: 基于ResBlock的通道+空间注意力，增强特征提取

YOLOv8目标检测创新改进与实战案例专栏

专栏目录： YOLOv8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: YOLOv8基础解析+创新改进+实战案例

CBAM介绍

摘要

我们提出了卷积块注意力模块（Convolutional Block Attention Module，CBAM），这是一种简单但有效的用于前馈卷积神经网络的注意力模块。给定一个中间特征图，我们的模块依次推断沿两个独立维度（通道和空间）的注意力图，然后将注意力图与输入特征图相乘以进行自适应特征优化。由于CBAM是一个轻量且通用的模块，可以无缝地集成到任何卷积神经网络（CNN）架构中，且开销可以忽略不计，并能够与基础CNN进行端到端训练。我们通过在ImageNet-1K、MS COCO检测和VOC 2007检测数据集上进行广泛的实验验证了CBAM。我们的实验表明，在各种模型中，分类和检测性能均有一致的提升，证明了CBAM的广泛适用性。代码和模型将公开可用。

文章链接

论文地址：论文地址

代码地址：代码地址

参考代码： yolov8源代码中的ultralytics.nn.modules.conv.CBAM

基本原理

🥇点击查看：【YOLOv8改进 - 注意力机制】c2f结合CBAM：针对卷积神经网络（CNN）设计的新型注意力机制

ResBlock介绍

文章链接

论文地址：论文地址

基本原理

ResNet（Residual Network）是由何恺明等人在2015年提出的一种深度卷积神经网络结构，它引入了残差块（Residual Block, ResBlock），极大地缓解了深度神经网络在增加层数时的梯度消失和梯度爆炸问题，使得训练更深层次的网络成为可能。