Efficient Pyramid Split Attention金字塔分割注意力机制，YOLOv5改进之PSA注意力机制

于 2023-10-25 21:00:13 发布
阅读量183 收藏 1
点赞数 1
分类专栏： YOLOv5改进：从入门到实战改进 文章标签： YOLO 人工智能 深度学习
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_47060902/article/details/134043217
版权

目录

一、理论部分

网络结构

二、应用到YOLOv5

代码段

yaml文件

psac3


一、理论部分

最近，研究表明，通过在深度卷积神经网络中嵌入注意力模块，可以有效地提高其性能。本文提出了一种新的轻量级、高效的注意力方法——金字塔分割注意力模块。通过将ResNet瓶颈块中的3x3卷积替换为PSA模块，得到了一种新的表征块——高效金字塔分割注意(Efficient Pyramid Split Attention, EPSA)。EPSA模块可以作为即插即用组件轻松添加到已建立的骨干网络中，并且可以实现模型性能的显着改进。因此，在这项工作中，通过堆叠这些resnet风格的EPSA块，开发了一个简单高效的骨干架构EPSANet。相应地，本文提出的EPSANet可以为各种计算机视觉任务提供更强的多尺度表示能力，包括但不限于图像分类、目标检测、实例分割等。没有花哨的东西，所提出的EPSANet的性能优于大多数最先进的频道注意方法。与SENet-50相比，在ImageNet数据集上Top-1的准确率提高了1.93%，在MS-COCO数据集上使用mask - rcnn的目标检测精度提高了+2.7 box AP，在实例分割方面提高了+1.7 mask AP

网络结构

提出了一种新型的金字塔分散注意力模块。如图3所示，PSA模块主要分为四个步骤实现。首先，通过实现所提出的分割和拼接(SPC)模块，获得通道方向上的多尺度特征映

了解本专栏 订阅专栏 解锁全文 超级会员免费看
这糖有点苦
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
订阅专栏
Pyramid-Attention-Networks:具有多个图像恢复任务的新SOTA结果的“用于图像恢复的金字塔注意力网络”的PyTorch代码
03-19
金字塔注意力网络用于图像恢复 该存储库适用于以下论文中介绍的PANet和PA-EDSR ，，，，，，，和“金字塔关注网络的图像复原”， 该代码基于和并在具有Titan X / 1080Ti / V100 GPU的Ubuntu 18.04环境（Python3.6，...
pyramidSegment金字塔图像分割方法C++代码_亲测可用
08-06
pyramidSegment金字塔图像分割方法C++代码_亲测可用
【Yolov5】涨点亲测有效，Yolov5添加PSA极化自注意力机制
qq:1115926058
02-04 3265
Yolov5添加PSA极化注意力机制，助力实验涨点！主要用于目标检测、图像语义分割、人体姿态识别等
CV attention | PSA：极化自注意力，助力语义分割/姿态估计涨点！
W1995S的博客
07-17 5311
导读 注意力机制是一个被广泛应用在各种CV任务中的方法。注意力机制根据施加的维度大致可以分为两类：通道注意力和空间注意力。 对于通道注意力机制，代表性的工作有SENet[2]、ECANet[3]； 对于空间注意力机制，代表性的工作有Self-Attention[4]。 空间和通道两个维度的双重注意力机制也被提出，代表工作有CBAM[1]，DANet[5]。 基于双重注意力机制，本文针对Pixel-wise regression的任务，提出了一种更加精细的双重注意力机制——极化自注意力。作为一个即插即用的
金字塔切分注意力模块PSA学习笔记 （附代码）
最新发布
PLANTTHESON的博客
10-22 2053
金字塔切分注意力模块PSA学习笔记 （附代码）
EPSANet: An Efficient Pyramid Split Attention Block on Convolutional Neural Network
qq_42882457的博客
07-29 2083
EPSANet: An Efficient Pyramid Split Attention Block on Convolutional Neural Network
PSA极化注意力机制：Polarized Self-Attention: Towards High-quality Pixel-wise Regression
weixin_39326879的博客
11-05 8345
摘要 在计算机视觉任务中，语义分割和关键点检测是具有挑战的，因为既要尽量保持高分辨率、又要考虑计算量，以及尽量连接全局信息得到结果。由于提取全局信息的有效性以及对全局像素special的注意力，attention机制在计算机视觉领域变得非常的流行。CNN本身是卷积共享的核，且具有平移不变性，也就代表其是local且丧失special注意力的。但是long-range的attention参数量大，训练耗时长且难以收敛；很多学者都在研究轻便易于训练的attention机制。本文提出了一种极化注意力机制，其优势在
Epsanet: An efficient pyramid split attention block on convolutional neural network阅读笔记
Malidong的博客
07-10 1506
arXiv 2021 Hu Zhang, Keke Zu, Jian Lu, Yuru Zou, Deyu Meng 论文地址 一、简介
残差注意力 图像融合.zip
03-28
这是发表在SCI期刊的残差注意力图像融合论文及源码。下载解压后直接运行。
pyramid-segmentation-to-colour-graph.rar_pyramid_金字塔分割
09-22
在opencv和vc6.0环境下采用金字塔方法对彩色图像进行了分割，算法稳定可靠
计算机视觉中的注意力机制
09-23
汇总了自Non-local和SENet之后的十几篇发表于CVPR/ICCV的经典的注意力方法，包括cbam、a2net、psanet、danet、apcnet、sknet、ccnet、gcnet、annnet、ocrnet、sanet、ecanet
pyramid_pyramid_金字塔_图像预处理_
10-03
进行图像预处理生成金字塔文件，方便后续处理功能，，。
面向小白的深度学习代码库，一行代码实现30+中attention机制。
努力努力再努力的小马
07-26 5189
Hello，大家好，我是小马🚀🚀🚀，最近创建了一个深度学习代码库，欢迎大家来玩呀！代码库地址是https://github.com/xmu-xiaoma666/External-Attention-pytorch，目前实现了将近40个深度学习的常见算法！For 小白（Like Me）：最近在读论文的时候会发现一个问题，有时候论文核心思想非常简单，核心代码可能也就十几行。但是打开作者release的源码时，却发现提出的模块嵌入到分类、检测、分割等任务框架中，导致代码比较冗余，对于特定任务框架不熟悉的我，很难找
EPSANet学习笔记
charles_zhang_的博客
07-11 3163
EPSANet: An Efficient Pyramid Squeeze Attention Block on Convolutional Neural Network最近，研究表明，在深度卷积神经网络中嵌入注意力模块可以有效提高其性能。在这项工作中，提出了一种新的轻量级和有效的注意力方法，称为金字塔挤压注意力（PSA）模块。通过在ResNet的瓶颈块中用PSA模块替换3x3卷积，获得了一种新的表示块，称为有效金字塔挤压注意力（EPSA）。EPSA块可以很容易地作为即插即用组件添加到成熟的主干网络中，并且
EPSANet: An Efficient Pyramid Split Attention Block on Convolutional Neural Network 论文解读
sc1434404661的博客
06-30 3652
简介 Pyramid Split Attention Block用于增强特征提取 即插即用，可将Pyramid Split Attention Block取代ResNet的3×3卷积，提出基准网络ESPANet 目标分类与目标检测任务达到state-of-the-art效果 代码开源：https://github.com/murufeng/EPSANet 算法 Pyramid Split Attention (PSA)在SENet的基础上提出多尺度特征图提取策略，整体结构图如下所示。具体可分为如下
霸榜COCO和Cityscapes！南理工&CMU提出极化自注意力，更精细的双重注意力建模结构
极市平台的技术博客
07-15 2160
作者丨小马 编辑丨极市平台 【写在前面】 注意力机制是一个被广泛应用在各种CV任务中的方法。注意力机制根据施加的维度大致可以分为两类：通道注意力和空间注意力。对于通道注意力机制，代表性的工作有SENet[2]、ECANet[3]；对于空间注意力机制，代表性的工作有Self-Attention[4]。随着空间和通道注意力机制的提出，很自然的，结合空间和通道两个维度的双重注意力机制也被提出，代表工作有CBAM[1]，DANet[5]。 基于双重注意力机制，本文针对Pixel-wise regression的任务
最强通道注意力来啦！金字塔分割注意力模块，即插即用，效果显著，已开源！...
深度学习技术前沿
06-12 6611
导读本文是通道注意力机制的又一重大改进，主要是在通道注意力的基础上，引入多尺度思想，本文主要提出了金字塔分割注意力模块，即PSA module。进一步，基于PSA ，我们将PSA注意力模...
屠榜的新自注意力机制！PSA：极化自注意力，助力语义分割/姿态估计涨点！
英特尔边缘计算社区
07-20 4710
导读 基于双重注意力机制，本文针对Pixel-wise regression的任务，提出了一种更加精细的双重注意力机制——极化自注意力。在人体姿态估计和语义分割任务上，作者将它用在了以前的SOTA模型上，并达到了新的SOTA性能，霸榜COCO人体姿态估计和Cityscapes语义分割。 写在前面 注意力机制是一个被广泛应用在各种CV任务中的方法。注意力机制根据施加的维度大致可以分为两类：通道注意力和空间注意力。对于通道注意力机制，代表性的工作有SENet[2]、ECANet[3]；对于空间注意力机制，代表性
2021刷新COCO和Cityscapes | Polarized Self-Attention：极化自注意力机制（keras实现）
u011447962的博客
08-03 3249
Polarized Self-Attention: Towards High-quality Pixel-wise Regression paper:https://arxiv.org/pdf/2107.00782.pdf code:https://github.com/DeLightCMU/PSA def _PSA(x, mode='p'): context_channel = spatial_pool(x, mode) if mode == 'p': con...
注意力机制在yolov5中如何使用
09-24
注意力机制在Yolov5中是通过特征金字塔网络（Feature Pyramid Network, FPN）来实现的。FPN是一种用于目标检测的网络结构，通过合并不同分辨率的特征图，提高了检测器在不同尺度下的检测能力。 在Yolov5中，FPN结构...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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

这糖有点苦

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