即插即用篇 | YOLOv8 引入 S2 注意力机制 | 《S^2-MLPV2: IMPROVED SPATIAL-SHIFT MLP ARCHITECTURE FOR VISION》

已于 2024-05-09 20:09:53 修改
阅读量1.3k 收藏 2
点赞数 2
分类专栏： YOLOv8改进实战 文章标签： YOLO YOLOv9 深度学习 目标检测 人工智能
于 2024-03-06 21:55:15 首次发布
原创文章为博主个人所有，未经授权不得转载、摘编、传播、倒卖、洗稿或利用其它方式使用上述作品。违反上述声明者，本站将追求其相关法律责任。
本文链接：https://blog.csdn.net/weixin_43694096/article/details/136519025
版权
该博客介绍了S^2-MLPV2，一种改进的空间位移视觉骨干网络，它在YOLOv8中引入了S2注意力机制。通过通道扩展和分割注意力操作，S^2-MLPV2在不使用自注意力和外部训练数据的情况下提高了目标检测的准确性。文章涵盖原理、源代码添加方式、模型yaml文件和相关专栏导航。
摘要由CSDN通过智能技术生成

在这里插入图片描述

论文名称：《S^2-MLPV2: IMPROVED SPATIAL-SHIFT MLP ARCHITECTURE FOR VISION》

论文地址：https://arxiv.org/pdf/2108.01072.pdf

文章目录

1 原理

最近，基于多层感知机(MLP)的视觉骨干网络开始出现。相比于CNN和视觉Transformer，具有较少归纳偏差的基于MLP的视觉架构在图像识别中取得了有竞争力的性能。其中，采用直接的空间位移操作的空间位移MLP (S2-MLP)在性能上优于包括MLP-mixer和ResMLP在内的开创性工作。最近，使用具有金字塔结构的较小补丁，Vision Permutator (ViP)和Global Filter Network (GFNet)在性能上优于

了解本专栏 订阅专栏 解锁全文
迪菲赫尔曼
关注
专栏目录
订阅专栏
即插即用篇 | YOLOv10 引入 S2 注意力机制 | 《S^2-MLPV2: IMPROVED SPATIAL-SHIFT MLP ARCHITECTURE FOR VISION》
YOLOv8项目贡献者
08-18 175
即插即用篇 | YOLOv10 引入 S2 注意力机制 | 《S^2-MLPV2: IMPROVED SPATIAL-SHIFT MLP ARCHITECTURE FOR VISION》
S2-MLPV2：目前最强的视觉MLP架构，空降榜一，达到83.6% Top-1准确率
我爱计算机视觉
08-06 1650
0写在前面随着ResMLP、MLP-Mixer等文章的提出，基于MLP的backbone重新回到了CV领域。在图像识别方面，基于MLP的结构具有较少的假设偏置，但是依旧能够达到与CNN和V...
S2-MLP v2: Improved Spatial-Shift MLP Architecture for Vision
HHzdh的博客
10-21 2486
引入多分支处理的思想，并应用 Split-Attention 来融合不同分支。 受现有工作的启发，使用更小的 patch 和分层金字塔结构。 扩增偏移的种类 Abstract 最近，基于MLP的视觉框架出现了。基于MLP的视觉网络结构在图像识别方面具有较低的inductive bias，与CNN和vision Transformers相比具有较强的性能。其中空间移位MLP (S2-MLP)采用直截了当的空间移位操作，其性能优于MLP-Mixer和ResMLP等开创性结构。最近，通过使...
Vision MLP 之 S2-MLP V1&V2 : Spatial-Shift MLP Architecture for Vision
画心
10-13 550
Vision MLP 之 S2-MLP V1&V2 : Spatial-Shift MLP Architecture for Vision 原始文档：https://www.yuque.com/lart/papers/dgdu2b 这里将会总结关于 S2-MLP 的两篇文章。这两篇文章核心思路是一样的，即基于空间偏移操作替换空间 MLP。 从摘要理解文章 V1 Recently, visual Transformer (ViT) and its following works abandon t
S2-MLP: Spatial-Shift MLP Architecture for Vision
乐亦亦乐的博客
12-03 2716
深度学习之图像分类（二十五）-- S2MLPv2 网络详解
木卯_THU的博客
10-07 1643
深度学习之图像分类（二十五）S2MLPv2 网络详解 目录深度学习之图像分类（二十五）S2MLPv2 网络详解1. 前言2. S2MLPv22.1 S2MLPv2 Block2.2 Spatial-shift 与感受野反思3. 总结4. 代码 经过 S2MLP 和 Vision Permutator 的沉淀，为此本节我们便来学习学习 S2MLPv2 的基本思想。 1. 前言 S2MLPv2 依是百度提出的用于视觉的空间位移 MLP 架构，其作者以及顺序与 S2MLP 一模一样，其论文为 S2-MLPv2
手把手带你 YOLOv5/v7 添加注意力机制（并附上30多种顶会Attention原理图）2024/2/5更新
热门推荐
YOLOv8项目贡献者
04-27 18万+
YOLOv5/v7 添加注意力机制教程 2023/6/15更新🍀🍀🍀
即插即用篇 | 在 C2F 模块中添加【Triplet】【SpatialGroupEnhance】【NAM】【S2】注意力机制 | 附详细结构图
YOLOv8项目贡献者
08-18 86
即插即用篇 | 在 C2F 模块中添加【Triplet】【SpatialGroupEnhance】【NAM】【S2】注意力机制 | 附详细结构图
Windows环境下Mamba-Yolo的运行环境搭建
最新发布
并不傻的袍子
09-26 670
手动将下载的selective_scan_cuda.cp310-win_amd64.pyd文件手动复制到创建的虚拟环境mambayolo的DLLs文件下。（下载方式见下方）selective_scan安装不成功，是因为selective_scan只有对应Linux的库，没有对应Windows的库，所以需要对selective_scan的源码进行一些修改（以适应Windows的编译环境），然后使用源码编译和安装，这一步比较困难（
YOLOv10独家改进：红外场景严重遮挡和重叠目标解决方案 | 一种新的自适应算法轻量级通道分割和变换(ALSS)模块，自适应特征提取优化策略
09-23 494
一种新的自适应算法轻量级通道分割和变换(ALSS)模块，自适应特征提取优化策略
施工现场安全帽监控预警#YOLO视觉 ai视频识别安全帽监测系统
sxyxhwl的博客
09-23 452
这样，管理人员可以迅速采取措施，防止潜在的安全事故。系统会将未佩戴安全帽的报警截图和视频及时存储到服务器数据库中，包括时间、地点、报警截图、报警视频等详细信息，形成完整的报表。这项技术的引入，既体现了我国对工地安全的重视，也展示了人工智能在实际生产中的应用价值。你可能还需要一个适当尺寸的边界框来围绕检测到的安全帽，并可能需要调整YOLO模型的配置文件或权重文件以适应你的特定应用需求。为了提高工地安全，引入了安全帽监控预警系统，这是一项创新技术，利用人工智能和视频识别技术来监测工地上的安全帽佩戴情况。
肺结节检测-目标检测数据集（包括VOC格式、YOLO格式）
DL_data_set的博客
09-24 918
肺结节检测数据集，目标检测，yolo，voc，复杂背景
基于yolov5滑块识别破解（二）
qq_65960840的博客
09-25 532
在上一篇文章中我们已经完成了yolov5的部署和训练，接下来我们将对源码进行改动，来实现滑块的自动滑动破解。
YOLOX预测图片是无法保存
m0_53291740的博客
09-24 585
预测文件如下demo.py。
YOLOv8训练中常见问题汇总
m0_57442556的博客
09-24 421
YOLOv8训练中常见问题汇总
基于丹摩智算的`YoloV8-训练与测试
2301_77509762的博客
09-25 625
链接：https://www.damodel.com/console/overviewDAMODEL（丹摩智算）是专为 AI 打造的智算云，致力于提供丰富的算力资源与基础设施助力 AI 应用的开发、训练、部署。自YOLO（You Only Look Once）模型问世以来，其简洁的设计理念和高效的目标检测能力便广受好评。YOLO系列模型通过一次卷积神经网络的前向传播，即可同时预测图像中多个物体的位置和类别，极大地提高了目标检测的速度和效率。
YOLOv9改进 | 主干改进篇，华为的轻量化架构GhostNetV2改进特征提取网络
weixin_44779079的博客
09-26 219
GhostNetV2 架构通过引入DFC 注意力，提升了网络的表达能力，同时保持了在移动设备上的高效性。DFC 注意力机制使用两个解耦的全连接层来处理特征图的水平和垂直方向。通过将输入特征图沿水平方向和垂直方向进行特征聚合，DFC注意力机制能够捕捉到全局信息，并提升模型的表达能力
ES9038Q2M-Datasheet-v1.4.pdf：ESS TECHNOLOGY, INC. 32位立体声低功率音频DAC 数据手册
Furthermore, the ES9038Q2M incorporates a 64-bit accumulator, which allows for improved audio resolution and precision. This enables a more detailed and realistic audio reproduction. Overall, the ES...
评论 3
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

迪菲赫尔曼

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