【YOLOv8改进- 多模块融合改进】ResBlock + GAM: 基于ResBlock的全局注意力机制ResBlock_ GAM

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

GAM介绍

摘要

为了提高各种计算机视觉任务的性能，研究了多种注意力机制。然而，现有方法忽视了保留通道和空间两个方面信息的重要性，以增强跨维度的交互。因此，我们提出了一种全局注意力机制，通过减少信息损失和放大全局交互表示来提升深度神经网络的性能。我们引入了带有多层感知器的3D排列用于通道注意力，同时结合了卷积空间注意力子模块。在CIFAR-100和ImageNet-1K上的图像分类任务评估中，表明我们的方法在ResNet和轻量级MobileNet上稳定地优于几种最新的注意力机制。

文章链接

论文地址：论文地址

代码地址：代码地址

基本原理

🥇点击查看：【【YOLOv8改进 - 注意力机制】GAM（Global Attention Mechanism）：全局注意力机制，减少信息损失并放大全局维度交互特征

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。

ResNet中的残差块（ResBlock）

残差块的核心思想是通过引入快捷连接（skip connection）在网络中引入“捷径”，让输入的特征可以直接跳过一层或几层网络，直接与后续层的输出相加。这个设计使得模型在训练时能够更好地保留原始输入的信息，同时也使得网络