YOLOv5改进系列（16）——添加EMA注意力机制（ICASSP2023|实测涨点）

已于 2023-10-06 18:58:57 修改
阅读量6k 收藏 25
点赞数 3
分类专栏： YOLOv5入门＋实践＋改进 文章标签： YOLO 目标检测 计算机视觉 人工智能 深度学习
于 2023-07-28 13:28:43 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/weixin_43334693/article/details/131973273
版权
本文介绍了如何在YOLOv5中添加EMA（Efficient Multi-Scale Attention）模块，以提高目标检测的性能。通过在Neck和C3处实施EMA，详细阐述了具体的添加步骤，包括修改common.py和yolo.py文件，创建自定义yaml配置文件，以及更新train.py。实验表明，这种方法在作者的数据集上比其他注意力机制如CA有所提升。
摘要由CSDN通过智能技术生成

 962f7cb1b48f44e29d9beb1d499d0530.gif【YOLOv5改进系列】前期回顾：

YOLOv5改进系列（0）——重要性能指标与训练结果评价及分析

YOLOv5改进系列（1）——添加SE注意力机制

YOLOv5改进系列（2）——添加CBAM注意力机制

YOLOv5改进系列（3）——添加CA注意力机制

YOLOv5改进系列（4）——添加ECA注意力机制

YOLOv5改进系列（5）——替换主干网络之 MobileNetV3

YOLOv5改进系列（6）——替换主干网络之 ShuffleNetV2

YOLOv5改进系列（7）——添加SimAM注意力机制

YOLOv5改进系列（8）——添加SOCA注意力机制

YOLOv5改进系列（9）——替换主干网络之EfficientNetv2

​​​​​​YOLOv5改进系列（10）——替换主干网络之GhostNet

YOLOv5改进系列（11）——添加损失函数之EIoU、AlphaIoU、SIoU、WIoU

YOLOv5改进系列（12）——更换Neck之BiFPN

YOLOv5改进系列（13）——更换激活函数之SiLU，ReLU，ELU，Hardswish，Mish，Softplus，AconC系列等

YOLOv5改进系列（14）——更换NMS（非极大抑制）之 DIoU-NMS、CIoU-NMS、EIoU-NMS、GIoU-NMS 、SIoU-NMS、Soft-NMS

目录

 🚀一、EMA介绍  

1.1 简介

🚀二、在Neck端添加EMA注意力机制方法

2.1 添加顺序 

2.2 具体添加步骤 

第①步：在common.py中添加EMA模块

第②步：在yolo.py文件里的parse_model函数加入类名

第③步：创建自定义的yaml文件 

了解本专栏 订阅专栏 解锁全文 超级会员免费看
路人贾'ω'
关注
专栏目录
订阅专栏
EMA：基于跨空间学习的高效多尺度注意力模块
AI浩
06-23 1万+
在各种计算机视觉任务中，通道或空间注意力机制在产生更清晰的特征表示方面的显著有效性得到了证明。然而，通过通道降维来建模跨通道关系可能会给提取深度视觉表示带来副作用。提出了一种新的高效的多尺度注意力(EMA)模块。以保留每个通道上的信息和降低计算开销为目标，将部分通道重塑为批量维度，并将通道维度分组为多个子特征，使空间语义特征在每个特征组中均匀分布。具体来说，除了对全局信息进行编码以重新校准每个并行分支中的通道权重外，还通过跨维度交互进一步聚合两个并行分支的输出特征，以捕获像素级成对关系。
改进YOLOv5:添加EMA注意力机制
qq_43615485的博客
06-30 7519
本文主要介绍一种在YOLOv5-7.0中添加EMA注意力机制的方法。
【目标检测实验系列】EMA高效注意力机制，融合多尺度特征，助力YOLOv5检测模型涨点(文内附源码)
最新发布
弗兰-随风小欢的博客
07-23 1249
本篇博客主要介绍了高效多尺度注意力机制EMA，融合多尺度特征信息，助力YOLOv5模型涨点。另外，在修改过程中，要是有任何问题，评论区交流；
YOLOv5-7.0改进（四）添加EMA注意力机制
mw的博客
05-11 1942
基于跨空间学习的高效多尺度注意力机制，该模块首先将部分通道维度重塑为批量维度，以避免通用卷积进行某种形式的降维，接着在每个并行子网络中构建局部的跨通道交互，利用一种新的跨空间学习方法融合两个并行子网络的输出特征图，设计了一个多尺度并行子网络来建立长短依赖关系。
YOLOv8/YOLOv7/YOLOv5/YOLOv4/Faster-rcnn系列算法改进【NO.71】注意力机制Expectation-Maximization Attention（EMA模块）
m0_70388905的博客
06-24 2333
新颖有效的注意力机制EMA
YOLOv5改进系列（20）——添加BiFormer注意力机制（CVPR2023|小目标涨点神器）
路人贾的博客
08-11 4866
YOLOv5改进系列之添加BiFormer注意力机制，通过双向路由注意力构建高效金字塔网络架构，CVPR2023，小目标实测涨点神器
YOLOv5改进系列（28）——添加DSConv注意力卷积（ICCV 2023|用于管状结构分割的动态蛇形卷积）
路人贾的博客
01-24 1731
YOLOv5改进系列（28）——添加DSConv注意力卷积（ICCV 2023|用于管状结构分割的动态蛇形卷积）
YOLOV5改进：CVPR 2023 | 在C3块不同位置添加EMA注意力机制，有效涨点
m0_51530640的博客
06-27 1559
显著的渠道或空间有效性注意力产生机制更加可辨特征表示用各种计算机进行了说明视觉任务。然而，跨通道建模关系与通道降维可能在提取深度视觉表征时带来副作用。本文提出了一种新的高效多尺度注意力(EMA)方法。模块提出。专注于保留信息每个通道上，并减少计算在上方，我们将部分通道重塑为批处理尺寸并将通道尺寸分组为多个子特征构成空间语义特性在每个特性组中分布良好。具体来说，除了将全局信息编码到重新校准每个平行通道的权重支路，两个并联支路的输出特征为的跨维度交互进一步聚合捕获像素级成对关系。
YOLOv5改进系列（30）——添加iRMB注意力机制（ICCV 2023|即插即用的反向残差注意力机制）
路人贾的博客
05-23 1302
YOLOv5改进系列（30）——添加iRMB注意力机制（ICCV 2023|即插即用的反向残差注意力机制）
YOLOv5算法进阶改进（11）— 添加EMA注意力机制 | 基于跨空间学习的高效多尺度注意力模块
突然好想你
01-02 2084
EMA（Exponential Moving Average）注意力机制是一种用于增强模型性能的注意力机制，它通过对模型的特征图进行加权平均来提取更有用的特征信息。具体来说，EMA注意力机制通过引入一个权重因子来调整特征图中每个位置的重要性，从而使模型能够更好地关注重要的特征。🌈
YOLOv8添加CBAM注意力机制
zhaodaandedifang的博客
05-01 946
简单记录YOLOv8添加各种模块的改进，文章所写都已运行成功。
YOLOv8改进:添加EMA注意力机制
热门推荐
ShawN1022的博客
09-13 1万+
用YOLOv5x作为骨干CNN在VisDrone数据集上进行目标检测，其中CA, CBAM和EMA注意力分别集成到检测器中。从表2的结果可以看出，CA, CBAM和EMA都可以提高目标检测的基线性能。/EMA.py文件中新建一个名为EMA.py文件，将下述代码复制到EMA.py文件中并保存。本文提出了一种新的跨空间学习方法，并设计了一个多尺度并行子网络来建立短和长依赖关系。EMA的位置可以改变，看个人的数据集效果，改注意编号的变化。运行的时候看框架可以看到EMA说明添加成功。录用：ICASSP2023。
Yolov8改进---注意力机制：ICASSP2023 EMA基于跨空间学习的高效多尺度注意力、效果优于ECA、CBAM、CA | 小目标涨点明显
06-25 5997
yolov8引入ICASSP2023 EMA基于跨空间学习的高效多尺度注意力，在小目标检测中涨点明显
三分钟学会使用系列（YOLOv5）|EMA注意力机制，涨点神器！
深度学习炼丹师，偶尔分享炼丹技术!
01-27 4832
本文旨在让读者快速了解相关技术并运用,欢迎关注。
yolov8改进之EMA注意力机制
lvnacp的博客
05-17 2138
yolov8添加EMA注意力机制，提升模型性能。
pytorch代码实现注意力机制之EMA
DM_zx的博客
09-06 1万+
注意力机制之EMA
icassp2023
09-09
ICASSP 2023是指将于2023年举行的国际会议，全称为International Conference on Acoustics, Speech, and Signal Processing。这个会议是一个重要的学术会议，涵盖了声学、语音和信号处理等领域的研究和应用。在ICASSP 2023会议上，Shengkui Zhao和Bin Ma的论文《MossFormer: Pushing the Performance Limit of Monaural Speech Separation using Gated Single-head Transformer with Convolution-augmented Joint Self-Attentions》被接受发表。 这篇论文介绍了一种称为MossFormer的单通道语音分离模型，它使用了结合了卷积增强的联合自注意力的门控单头Transformer，通过提高性能限制来实现单声道语音分离。 如果你对该模型进行调优训练，你可以参考ICASSP 2023会议上收录的这篇论文，并结合你自己的数据进行调优。你可以参考论文中的方法和技巧，根据你的需求进行适当的修改和训练。 此外，如果你需要用于训练的数据集，你可以参考ModelScope上提供的Libri2Mix_8k数据集。该数据集收集了来自LibriSpeech数据集的混合语音样本，用于单通道语音分离任务的研究和训练。
评论 23
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

路人贾'ω'

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