YOLOv8改进 | 融合篇，YOLOv8主干改进融合网络之MobileNetV3+CA注意机制，助力涨点

挂科边缘

已于 2024-10-07 14:45:54 修改

阅读量360

点赞数 3

分类专栏： YOLOv8改进文章标签： YOLO 目标检测 python 计算机视觉人工智能深度学习

于 2024-08-13 18:08:46 首次发布

本文链接：https://blog.csdn.net/weixin_44779079/article/details/141169216

版权

YOLOv8改进专栏收录该内容

65 篇文章 33 订阅 ¥199.90 ¥299.90

订阅专栏

在这里插入图片描述

改进1（MobileNetV3轻量化架构改进特征提取网络）：

原论文摘要

MobileNetV3通过结合硬件感知网络架构搜索（NAS）和NetAdapt算法，通过新颖的架构改进进一步提升了性能。本文开始探讨了自动化搜索算法与网络设计如何协同工作，以利用互补方法来提升整体技术水平。通过这一过程，创建了两个新的MobileNet模型：MobileNetV3-Large和MobileNetV3-Small，分别针对高资源和低资源使用场景。这些模型随后被适配并应用于目标检测和语义分割任务。对于语义分割（或任何密集像素预测）任务，提出了一种新的高效分割解码器——Lite Reduced Atrous Spatial Pyramid Pooling（LR-ASPP）。我们在移动端的分类、检测和分割任务中取得了新的最先进的成果。相比于MobileNetV2，MobileNetV3-Large在ImageNet分类上精度提高了3.2%，同时延迟减少了15%；MobileNetV3-Small的精度提高了4.6%，而延迟减少了5%。在COCO检测任务中，MobileNetV3-Large的检测速度比MobileNetV2快25%，而精度几乎相同。对于Cityscapes分割任务，MobileNetV3-Large LR-ASPP比MobileNetV2 R-ASPP快30%，且精度相近。

MobileNetV3理论详解可以参考链接：论文地址
MobileNetV3代码可在这个链接找到：代码地址

改进2（引入CA注意机制）：

原论文摘要

在本文中，提出了一种新的移动网络注意力机制，将位置信息嵌入到信道注意力中称之为“协调注意力”。与渠道关注不同通过2D全局池将特征张量转换为单个特征向量，坐标注意力因子将通道注意力转化为两个1D特征编码过程，这两个过程分别沿着两个空间方向聚合特征。通过这种方式，可以沿着一个空间方向捕获长程依赖性和均值，同时可以沿着另一个空间方向。生成的特征图为然后分别编码为一对方向感知和位置敏感注意力图࿰

了解本专栏