YOLOv5改进系列(十七) 本文(1.2万字) | 引入反向残差注意力模块iRMB |

最新推荐文章于 2024-08-04 00:08:41 发布

小酒馆燃着灯

最新推荐文章于 2024-08-04 00:08:41 发布

阅读量986

点赞数 19

文章标签： YOLO 人工智能深度学习反向残差注意力 iRMB

本文链接：https://blog.csdn.net/weixin_44302770/article/details/135276072

版权

人工智能专栏计划专栏收录该内容

141 篇文章 7 订阅

已下架不支持订阅

文章目录

理论
- 概述
- 2 ResNetlike Efficient MOdel (EMO)
- - 2-1 Criteria for General Efficient Model
  - 2-2 Meta Mobile Block
  - 2-3 Micro Design: Inverted Residual Mobile Block
  - 2-4 Macro Design of EMO for Dense Prediction
- 3 Experiments
YOLOv5中添加 iRMB 改进方式
- 首先我们将源代码添加到 `common.py` 文件中；
- `yolov5-iRMB.yaml`

深度学习论文: Rethinking Mobile Block for Efficient Attention-based Models及其PyTorch实现
Rethinking Mobile Block for Efficient Attention-based Models
PDF: https://arxiv.org/pdf/2301.01146.pdf
PyTorch代码: https://github.com/shanglianlm0525/CvPytorch
PyTorch代码: https://github.com/shanglianlm0525/PyTorch-Networks

理论

概述

EMO是高效、轻量级的模型，以在参数、FLOPs和性能之间实现平衡，适用于密集预测任务。文章从倒立残差块(IRB)和Transformer的有效组件的统一角度出发，将基于CNN的IRB扩展到基于注意力的模型，并抽象出一个用于轻量级模型设计的单残留元移动块(MMB)。
在这里插入图片描述
EMO为轻量级模型设计提供了一个新的思路&#

了解本专栏

小酒馆燃着灯

关注

19
点赞
踩
17

收藏

觉得还不错? 一键收藏
打赏
0
评论
YOLOv5改进系列(十七) 本文(1.2万字) | 引入反向残差注意力模块iRMB |

EMO是高效、轻量级的模型，以在参数、FLOPs和性能之间实现平衡，适用于密集预测任务。文章从倒立残差块(IRB)和Transformer的有效组件的统一角度出发，将基于CNN的IRB扩展到基于注意力的模型，并抽象出一个用于轻量级模型设计的单残留元移动块(MMB)。EMO为轻量级模型设计提供了一个新的思路，通过将CNN和Transformer的有效组件统一起来，实现了高效的模型性能。大量实验验证了所提出的方法的有效性和优越性。
复制链接

扫一扫