GAM：保留信息以增强通道-空间交互
文章浏览阅读1k次。卷积神经网络（CNNs）已被广泛应用于计算机视觉领域的许多任务和应用中（Girshick等，2014年；Long等，2015年；He等，2016年；Lampert等，2009年）。研究人员发现，卷积神经网络在提取深度视觉表征方面表现良好。随着与卷积神经网络相关的技术进步，ImageNet数据集（Deng等，2009年）上的图像分类准确度在过去九年中从63%提高到了90%（Krizhevsky等，2012年；Zhai等，2021年）。
YoloV8改进策略：全局注意力机制|注意力改进|高效涨点|代码注释与改进|包括改进后的结构图
文章浏览阅读1.7k次。卷积神经网络（CNNs）已被广泛应用于计算机视觉领域的许多任务和应用中（Girshick等，2014年；Long等，2015年；He等，2016年；Lampert等，2009年）。研究人员发现，卷积神经网络在提取深度视觉表征方面表现良好。随着与卷积神经网络相关的技术进步，ImageNet数据集（Deng等，2009年）上的图像分类准确度在过去九年中从63%提高到了90%（Krizhevsky等，2012年；Zhai等，2021年）。
YoloV5改进策略：BAM瓶颈注意力模块|BAM详解以及代码注释|CBAM姊妹篇|有效涨点
文章浏览阅读1.1k次，点赞2次，收藏2次。深度学习已经成为一系列模式识别应用的有力工具，包括分类、检测、分割和控制问题。由于其数据驱动的本质和大规模并行计算的可获得性，深度神经网络在大多数领域都取得了最先进的结果。研究人员已经通过多种方式来提高性能，例如设计优化器[28,48]，提出对抗训练方案[11]，或针对特定任务的元架构，如两阶段架构[37]进行检测。提高性能的基本方法是设计一个好的主干网络架构。
YoloV8改进策略：改进BackBone|自研频域和空间注意力，超越GAM，CBAM等注意力|注意力创新改进|高效涨点|代码注释与改进|包括改进后的结构图
文章浏览阅读1.4k次。本文尝试改进了新的注意力，使用空间注意力和多轴频域注意力融合改进。改进后的注意力超越了GAM、BAM和CBAM等常用的注意力。
YoloV8改进策略：改进Neck|自研频域和空间注意力，超越GAM，CBAM等注意力|注意力创新改进|高效涨点|代码注释与改进|包括改进后的结构图
文章浏览阅读1.4k次。本文尝试改进了新的注意力，使用空间注意力和多轴频域注意力融合改进。改进后的注意力超越了GAM、BAM和CBAM等常用的注意力。
YoloV8改进策略：改进Head|自研频域和空间注意力，超越GAM，CBAM等注意力|注意力创新改进|高效涨点|代码注释与改进|包括改进后的结构图
文章浏览阅读853次。本文尝试改进了新的注意力，使用空间注意力和多轴频域注意力融合改进。改进后的注意力超越了GAM、BAM和CBAM等常用的注意力。
YoloV8改进策略：BackBone改进|DCNv4最新实践|高效涨点|多种改进教程|完整论文翻译
文章浏览阅读1k次。在计算机视觉领域，关于卷积网络（ConvNets）和Transformer哪个性能更优越的争论一直在进行。近年来，具有注意力机制的大型视觉模型中的Transformer模型[12、25、44]取得了显著成果，显示出超越ConvNets的潜力。然而，诸如InternImage [38]和ConvNeXt [26]等最新研究工作表明，基于ConvNet的视觉模型在各种下游任务中仍保持稳健的性能、效率和简单性，并具有适当的归纳偏差[15、41]。值得注意的是，在图像生成等领域[29、31]，卷积仍然是首选方法。
FlashInternImage实战：使用FlashInternImage实现图像分类任务（一）
文章浏览阅读1.2k次，点赞9次，收藏9次。论文介绍了Deformable Convolution v4（DCNv4），一种针对广泛视觉应用的高效有效运算符。DCNv4通过两个关键改进解决了其前身DCNv3的局限性：1）在空间聚合中移除softmax归一化，以增强其动态特性和表达力；2）优化内存访问，以最小化冗余操作并加速处理速度。这些改进使得DCNv4相比DCNv3具有更快的收敛速度和显著的性能提升，处理速度提高了三倍以上。DCNv4在图像分类、实例和语义分割等任务中表现出色，尤其在图像生成方面表现突出。_dcnv4_op
YoloV8改进策略：Conv改进|DCNv4最新实践|高效涨点|多种改进教程|完整论文翻译
文章浏览阅读872次。在计算机视觉领域，关于卷积网络（ConvNets）和Transformer哪个性能更优越的争论一直在进行。近年来，具有注意力机制的大型视觉模型中的Transformer模型[12、25、44]取得了显著成果，显示出超越ConvNets的潜力。然而，诸如InternImage [38]和ConvNeXt [26]等最新研究工作表明，基于ConvNet的视觉模型在各种下游任务中仍保持稳健的性能、效率和简单性，并具有适当的归纳偏差[15、41]。值得注意的是，在图像生成等领域[29、31]，卷积仍然是首选方法。
视觉Mamba:基于双向状态空间模型的高效视觉表征学习
文章浏览阅读826次，点赞4次，收藏16次。最近，具有高效硬件感知设计的状态空间模型（SSMs），例如Mamba，在长序列建模方面展现出了巨大潜力。纯粹基于SSMs构建高效和通用的视觉骨干网络是一个吸引人的方向。然而，由于视觉数据的空间敏感性和视觉理解的全局上下文需求，用SSMs表示视觉数据是一项挑战。本文表明，视觉表示学习对自注意力的依赖不是必需的，并提出了一个新的通用视觉骨干网络，该网络使用双向Mamba块（Vim），通过位置嵌入标记图像序列，并使用双向状态空间模型压缩视觉表示。
MVDet：多视角检测与特征透视变换
文章浏览阅读894次。遮挡是许多计算机视觉任务面临的一个基本问题。具体来说，在检测问题中，遮挡带来了很大的困难，已经提出了许多方法来解决它。一些方法专注于单视图检测问题，例如基于部件的检测[35,25,48]，损失设计[46,39]和学习非最大抑制[13]。其他方法从多个线索联合推断物体，如RGB- d[10,12,27]、LIDAR点云[6]和多个RGB相机视图[8,3]。在本文中，我们专注于从多个RGB相机视图(多视图)中检测行人。多视角行人检测通常使用来自多个校准摄像机的同步帧作为输入[8,29,3]。
Focaler-IoU：更聚焦的IoU损失
文章浏览阅读1.1k次，点赞15次，收藏19次。目标检测是计算机视觉的基本任务之一，其目的是在图像中定位和识别目标。根据是否生成锚点，可以将它们分为基于锚点和无锚点的方法。基于锚点的算法包括Faster R-CNN [1]、YOLO（You Only Look Once）系列 [2]、SSD（Single Shot MultiBox Detector） [3]和RetinaNet [4]。_focaler iou
YoloV8改进策略：IoU改进|Iou Loss最新实践|高效涨点|完整论文翻译
文章浏览阅读624次。目标检测是计算机视觉的基本任务之一，其目的是在图像中定位和识别目标。根据是否生成锚点，可以将它们分为基于锚点和无锚点的方法。基于锚点的算法包括Faster R-CNN [1]、YOLO（You Only Look Once）系列 [2]、SSD（Single Shot MultiBox Detector） [3]和RetinaNet [4]。
YoloV8改进策略：Block改进|DCNv4最新实践|高效涨点|完整论文翻译
文章浏览阅读1.1k次。在计算机视觉领域，关于卷积网络（ConvNets）和Transformer哪个性能更优越的争论一直在进行。近年来，具有注意力机制的大型视觉模型中的Transformer模型[12、25、44]取得了显著成果，显示出超越ConvNets的潜力。然而，诸如InternImage [38]和ConvNeXt [26]等最新研究工作表明，基于ConvNet的视觉模型在各种下游任务中仍保持稳健的性能、效率和简单性，并具有适当的归纳偏差[15、41]。值得注意的是，在图像生成等领域[29、31]，卷积仍然是首选方法。
YoloV8改进策略：HAM混合注意力机制改进YoloV8|多种改进，多种姿势涨点|代码注释详解
文章浏览阅读300次。HAM通过快速一维卷积来缓解通道注意机制的负担，并引入通道分离技术自适应强调重要特征。HAM作为通用模块，在CIFAR-10、CIFAR-100和STL-10数据集上实现了SOTA级别的分类性能。论文链接：https://www.sciencedirect.com/science/article/abs/pii/S0031320322002667?via%3Dihub。
YoloV8改进策略：Neck改进：HAM混合注意力机制改进YoloV8|多种改进，多种姿势涨点|代码注释详解
文章浏览阅读269次。HAM通过快速一维卷积来缓解通道注意机制的负担，并引入通道分离技术自适应强调重要特征。HAM作为通用模块，在CIFAR-10、CIFAR-100和STL-10数据集上实现了SOTA级别的分类性能。论文链接：https://www.sciencedirect.com/science/article/abs/pii/S0031320322002667?via%3Dihub。
MogaNet：高效的多阶门控聚合网络
文章浏览阅读108次。文章目录摘要1、简介2、相关工作2.1、视觉Transformers2.2、ViT时代的卷积网络3、从多阶博弈论交互的角度看表示瓶颈4、方法论4.1、MogaNet概述4.2、多阶门控聚合4.3、通过通道聚合进行多阶特征重新分配4.4、实现细节5、实验5.1、ImageNet分类5.2、密集预测任务5.3、消融实验和分析6、结论致谢A、实现细节A.1、架构细节A.2、ImageNet实验设置A.3、COCO上的目标检测和实例分割A.4、ADE20K上的语义分割A.5、COCO上的2D人体姿态估计A.6、3D
今日推荐
周排行