YOLOv4中常见CV学术名词说明（三）{CSP/WRC/SAT}

最新推荐文章于 2025-01-23 13:43:55 发布
最新推荐文章于 2025-01-23 13:43:55 发布
阅读量1.4k 收藏 13
点赞数
分类专栏： 深度学习、知识点、小技巧汇总 文章标签： 深度学习 WRC SAT CSP
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/weixin_42237113/article/details/109373071
版权
本文详细介绍了三种深度学习中的关键技术：CSP（Cross-Stage-Partial-connections）增强了模型的特征复用；WRC（WeightedResidualConnections）通过加权残差连接改进了信息流动；而SAT（Self-adversarial-training）是一种新颖的数据增强方法，通过神经网络自身执行对抗性攻击来提高模型的鲁棒性。这些技术对于提升模型的性能和泛化能力具有重要意义。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录

【17】CSP(Cross-Stage-Partial-connections)

在这里插入图片描述

ref:https://www.cnblogs.com/yunshangyue71/p/13439853.html

【18】WRC (Weighted Residual Connections)

在这里插入图片描述

ref :https://www.cnblogs.com/yunshangyue71/p/13437688.html

【19】SAT(Self-adversarial-training)

  • 使用方法：

在这里插入图片描述

  • 说明
    在这里插入图片描述
    自对抗训练(SAT)也代表了一种新的数据增强技术，它在两个前向后向阶段运行。在第一阶段，神经网络改变原始图像而不是网络权值。通过这种方式，神经网络对其自身执行对抗性攻击，改变原始图像，以制造图像上没有所需对象的欺骗。在第二阶段，训练神经网络，以正常的方式在修改后的图像上检测目标

-Reference：
参见官方issue：
https://github.com/AlexeyAB/darknet/issues/5117
相关论文解读：
https://zhuanlan.zhihu.com/p/136202391

YOLOv8改进策略【SPPF】| 将特征金字塔池化修改为：SPPCSPC，提升模型的特征提取能力和计算效率。
Limiiiing的博客
03-01 289
本文记录的是。YOLOv7中的SPPCSPC（Spatial Pyramid Pooling Cross Stage Partial Connections）模块是一种结合了（SPP）和（CSP）的改进结构，本文将其添加到YOLOv8中，
使用python轻松实现高大上的YOLOV4对象检测算法
人工智能研究所的博客
08-13 212
YOLO系列对象检测算法，算是人工智能技术领域的一匹黑马，当开发者宣布不再为YOLO系列检测算法更新时，很多开发者瞬间失去了”精神食粮“。突然，当YOLOV4检测算法发布的时候，让很多开发者喜出望外。
CSP：SAT问题
真让人头大的博客
12-25 2311
文章目录前言1 相关定义1.1 CSP1.2 NP-完全问题2 SAT问题2.1 定义2.2 具体的过程3 k-SAT问题3.1 定义3.2 公式生成模型 ---- 随机K-SAT模型3.2.1 现有模型3.2.2 Fk（n，m)模型的具体生成过程3.2.3 K-SAT的发生相变的上下界3.2.3.1 相变及上下界问题3.2.3.2 上下界的证明条件4 总结 前言 本文对CSP进行了简要的介绍，并对CSP中的一种特殊情况SAT问题进行了详细介绍。SAT问题是逻辑学的一个基本问题，也是当今计算机科学和人工
【YOLO系列】 YOLOv4之SAT自对抗训练
江湖小Jay的博客
01-22 1797
自对抗训练（Self-Adversarial Training，简称SAT）是一种新型的数据增强技术，旨在通过神经网络自身进行的对抗式攻击来提高模型的鲁棒性和泛化能力。其主要分为两个阶段：第一阶段神经网络会对其原始图像进行修改，制造出图像上没有目标的假象。这种修改是通过一种对抗的方式进行的，即神经网络改变原始图像而不是网络权值。具体来说，神经网络在训练过程中会生成一种对抗性的攻击，这种攻击可以改变原始图像，使其看起来像没有目标物体一样。第二阶段训练神经网络对修改后的图像进行正常的目标检测。
Yolo-v4中SAT和DropBlock介绍
gwy2018的博客
01-12 1071
DropBlock: A regularization method for convolutional networks
Yolov4技巧学习
qq_36076110的博客
05-09 7511
一些不错的资源： 一张图梳理YOLOv4论文 Yolov4论文翻译与解析 创新点： 1：mosaic 数据增强 Yolov4 mosaic 数据增强 其来源于Cutmix 【论文阅读笔记】CutMix：数据增强 2：自对抗训练（Self-adversarial-training，SAT） 对抗样本和对抗训练笔记------简述 ...
YoloV4———— 万字长文带你理解YOLOV4的众多trick
qq_55794606的博客
08-21 830
YoloV4是Alexey Bochkovskiy在小马哥的yolo系列基础上的新的续作，主要是利用了许多trick在速度和效果上进行了提升。
目标检测算法——YOLOv4
Clichong
06-18 3616
以下内容如有错误，恳请指出 以下先回顾一下之前的笔记总结： YOLOv1：目标检测算法——YOLOv1 YOLOv2：目标检测算法——YOLOv2 YOLOv3：目标检测算法——YOLOv3 在前面的目标检测算法笔记中，已经介绍了YOLOv1，v2，v3的版本，其中本来还想记录一下YOLOv3的一些改进版本的，比如：YOLOv3-SPP，SlimYOLOv3， YOLOv3-SPP-Ultralytics。通过学习了一些b站的相关讲解视频与一些相关的博客，也知道了这些版本的一点区别。 以下对YOLOv3.
YOLOv4学习笔记（2）——训练策略
qq_46292437的博客
02-23 2836
文章介绍了YOLOv4在训练策略上相对于之前目标检测网络上的一些改进，分别讲解Mosaic数据增强、自对抗训练（SAT）、CmBN（Cross min-batch Normalization）策略、Dropblock正则化和其回归损失函数
重磅！就在刚刚，吊打一切的 YOLOv4 开源了！
热门推荐
极市平台的技术博客
04-24 3万+
Tips ◎作者系极市原创作者计划特约作者Happy 欢迎大家联系极市小编（微信ID:fengcall19）加入极市原创作者行列 早上刷到YOLOv4之时，非常不敢相信这是真的！ paper：https://arxiv.org/pdf/2004.10934.pdf, code：https://github.com/AlexeyAB/darknet 核心中的核心：作者将Weighted-Re...
【YOLO】深入理解 CSP 瓶颈模块的变种：Bottleneck、C3、C3k、C2f 和 C3k2
zhangguanghao9的博客
11-26 765
总的来说，这些CSP瓶颈模块的变种在保持CSP瓶颈模块的特点的基础上，通过改变卷积核的数量和尺度等参数，进一步提升了目标检测模型的性能和准确度。5. C3k2模块：C3k2模块是对C3k模块的改进，它使用两个不同尺度的卷积核来提取特征，一个是3x3的卷积核，另一个是5x5的卷积核。4. C2f模块：C2f模块是对CSP瓶颈模块的另一种改进，它使用两个卷积核来提取特征，一个是3x3的卷积核，另一个是1x1的卷积核。2. C3模块：C3模块是对CSP瓶颈模块的改进，它使用三个卷积层来提取特征，而不是只有一个。
深度学习目标检测_YOLOV4超详细解读
m0_54634272的博客
02-13 2503
深度学习目标检测_YOLOV4超详细解读
什么是CSP (Cross Stage Partial) 结构
最新发布
weixin_45422672的博客
01-23 633
CSP (Cross Stage Partial) 结构是一种在神经网络设计中用于提高模型效率和性能的技术，特别是在目标检测任务中。它最早是在 YOLOv4 中被引入的。CSP 的主要思想是通过在不同的网络阶段之间共享特征图来减少计算量和内存消耗，同时保持或提升模型的准确性。
【目标检测】单阶段算法--YOLOv4详解
Roaddd的博客
03-03 4067
论文题目 ：《YOLOv4: Optimal Speed and Accuracy of Object Detection》 论文地址：https://arxiv.org/pdf/2004.10934.pdf 简介        在YOLO之父Joseph Redmon宣布退出计算机视觉研究的时候，很多人都以为目标检测“神器”YOLO系列就此终结。然而就在2020年4月23日，继任者YOLOv4却悄无声息的来了。Alexey Bochko
计算机视觉—YOLO V4
sinat_42247418的博客
06-02 996
计算机视觉—YOLO V41、YOLO V41.1、网络结构1.1.1、BackBone：CSPDarknet531.1.2、Neck：SPP结构1.1.3、Neck：PAN结构1.1.4、YOLO v4整体结构1.2、优化策略
深入浅出之CSPBlock模块（YOLO）
浩瀚之水的专栏
09-19 5598
YOLO CSPX模块是YOLO系列算法中的一个重要组成部分，它通过跨阶段部分连接的方式减少了计算量，同时保证了模型的准确率。在YOLOv4及后续版本中，CSPX模块被广泛应用于主干网络和Neck结构中，为模型提供了强大的特征提取和融合能力。
YOLOv4论文笔记详解
yolov4的博客
05-02 1万+
YOLOv4论文笔记 论文地址：YOLOv4: Optimal Speed and Accuracy of Object Detection （Optimal ：最优的） Github上面已经有了一些代码： YOLOv4 的 TensorFlow 2.0 实现：https://github.com/xiao9616/yolo4_tensorflow2 YOLOv4 的 TensorFlow...
优化策略（五）Skip-connections
Bruce_0712的博客
10-13 4217
Residual connections Weighted residual connections Multi-input weighted residual connections Cross stage partial connections (CSP) 二、Weighted Residuals for Very Deep Networks 最近，深度剩余网络在许多具有挑战性的计算机视觉任务中表现出了引人注目的性能。然而，原有的残差结构仍然存在一些缺陷，使得其难以在深度很深的网络上收敛..
yolo系列学习笔记----yolov4（SPP原理）
YOULANSHENGMENG的博客
12-13 1万+
1，概述 YOLOv4模型由以下部分组成： CSPDarknet53作为骨干网络BackBone； SPP作为Neck的附加模块，PANet作为Neck的特征融合模块； YOLOv3作为Head。 yolov3的结构如如下：
YOLOv4-tiny与YOLOv4-CSP/P5/P6/P7：对象检测模型训练指南
在当前的IT领域，对象检测技术是计算机视觉领域的一个核心任务，其目的是识别和定位图像中的物体。在给定的文件信息中，我们可以提炼出一些关键的知识点，主要涉及对象检测的YOLO（You Only Look Once）模型系列，...
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

AI扩展坞

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