2024年7月26日
【YOLOv8改进- 多模块融合改进】GhostConv + ContextAggregation 幽灵卷积与上下文聚合模块融合改进，助力小目标高效涨点
摘要： YOLOv8目标检测创新改进与实战案例专栏 专栏目录： YOLOv8有效改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例 专栏链接: YOLOv8基础解析+创新改进+实战案例 ContextAggregation介绍 摘要 卷积神经网络（CNNs） 阅读全文
posted @ 2024-07-26 16:35 YOLOv8大师 阅读(3) 评论(0) 推荐(0) 编辑
【YOLOv8改进 - 注意力机制】ContextAggregation : 上下文聚合模块，捕捉局部和全局上下文，增强特征表示
摘要： YOLOv8目标检测创新改进与实战案例专栏 专栏目录： YOLOv8有效改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例 专栏链接: YOLOv8基础解析+创新改进+实战案例 介绍 摘要 卷积神经网络（CNNs）在计算机视觉中无处不在，具有众多高效 阅读全文
posted @ 2024-07-26 16:34 YOLOv8大师 阅读(3) 评论(0) 推荐(0) 编辑
【YOLOv8改进- Backbone主干】BoTNet：基于Transformer，结合自注意力机制和卷积神经网络的骨干网络
摘要： YOLOv8目标检测创新改进与实战案例专栏 专栏目录： YOLOv8有效改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例 专栏链接: YOLOv8基础解析+创新改进+实战案例 介绍 摘要 我们提出了BoTNet，这是一种概念上简单但功能强大的骨干架 阅读全文
posted @ 2024-07-26 16:33 YOLOv8大师 阅读(5) 评论(0) 推荐(0) 编辑
【YOLOv8改进 - 注意力机制】Gather-Excite : 提高网络捕获长距离特征交互的能力
摘要： YOLOv8目标检测创新改进与实战案例专栏 专栏目录： YOLOv8有效改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例 专栏链接: YOLOv8基础解析+创新改进+实战案例 介绍 摘要 虽然卷积神经网络（CNNs）中使用自下而上的局部操作符与自然 阅读全文
posted @ 2024-07-26 16:32 YOLOv8大师 阅读(2) 评论(0) 推荐(0) 编辑
2024年6月30日
【YOLOv8改进 - 注意力机制】NAM：基于归一化的注意力模块，将权重稀疏惩罚应用于注意力机制中，提高效率性能
摘要： **NAM: 提升模型效率的新颖归一化注意力模块，抑制非显著权重，结合通道和空间注意力，通过批量归一化衡量重要性。在Resnet和Mobilenet上的实验显示优于其他三种机制。源码见[GitHub](https://github.com/Christian-lyc/NAM)。** 阅读全文
posted @ 2024-06-30 21:54 YOLOv8大师 阅读(25) 评论(0) 推荐(0) 编辑
2024年6月29日
【YOLOv8改进-损失函数】SlideLoss损失函数，解决样本不平衡问题
摘要： YOLO-FaceV2是基于YOLOv5的实时人脸检测模型，采用RFE模块增强小人脸检测，NWD损失处理定位偏差，SEAM注意力模块应对遮挡，Slide Loss解决样本不平衡，提升对难样本的关注。在WiderFace数据集上超越YOLO系列。论文和代码已公开。Slide Loss通过IoU加权，优化边界样本，提高模型性能。 阅读全文
posted @ 2024-06-29 09:38 YOLOv8大师 阅读(62) 评论(0) 推荐(0) 编辑
【YOLOv8改进-卷积Conv】DualConv( Dual Convolutional)：用于轻量级深度神经网络的双卷积核
摘要： **摘要：** 我们提出DualConv，一种融合$3\times3$和$1\times1$卷积的轻量级DNN技术，适用于资源有限的系统。它通过组卷积结合两种卷积核，减少计算和参数量，同时增强准确性。在MobileNetV2上，参数减少54%，CIFAR-100精度仅降0.68%。在YOLOv3中，DualConv提升检测速度并增4.4%的PASCAL VOC准确性。论文及代码已开源。 阅读全文
posted @ 2024-06-29 09:36 YOLOv8大师 阅读(31) 评论(0) 推荐(0) 编辑
【YOLOv8改进-卷积Conv】 OREPA(Online Convolutional Re-parameterization)：在线卷积重参数化
摘要： **OREPA**是在线卷积重参数化的缩写，它提出了一种两阶段流程来减少深度模型训练的开销。该方法通过线性缩放层优化复杂训练块，并在训练完成后将其压缩为单个卷积层，降低内存使用和提高训练速度。与现有技术相比，OREPA能减少约70%的训练内存开销，提升2倍训练速度，并在ImageNet上提高最多0.6%的准确性。此外，它还在目标检测和语义分割任务中表现出色。论文和代码可在提供的链接中找到。 阅读全文
posted @ 2024-06-29 09:33 YOLOv8大师 阅读(35) 评论(0) 推荐(0) 编辑
【YOLOv8改进】 RFB (Receptive Field Block)：多分支卷积块
摘要： **RFB Net是针对目标检测的轻量级解决方案，它通过设计灵感来自人眼感受野的模块提升特征表示。RFB块包含多分支卷积，模拟不同尺度和偏心率，增强轻量模型如SSD的性能。在保持实时速度的同时，RFB Net在准确性上媲美深度检测器。代码可在GitHub找到。** 阅读全文
posted @ 2024-06-29 09:22 YOLOv8大师 阅读(44) 评论(0) 推荐(0) 编辑
2024年6月22日
【YOLOv8改进 - 特征融合NECK】Slim-neck：目标检测新范式，既轻量又涨点
摘要： YOLO目标检测创新改进与实战案例专栏 专栏目录： YOLO有效改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例 专栏链接: YOLO基础解析+创新改进+实战案例 介绍 摘要 目标检测是计算机视觉中的一项重要下游任务。对于车载边缘计算平台来说，巨大 阅读全文
posted @ 2024-06-22 10:41 YOLOv8大师 阅读(39) 评论(0) 推荐(0) 编辑
下一页