06 2024 档案
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
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
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
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
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
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
摘要：摘要 在标准的医院血液检测中，传统过程需要医生使用显微镜从患者的血液显微图像中手动分离白细胞。然后，这些分离出的白细胞通过自动白细胞分类器进行分类，以确定血液样本中不同类型白细胞的比例和数量，从而辅助疾病诊断。这种方法不仅耗时费力，而且由于图像质量和环境条件等因素，容易出现错误，从而可能导致后续分类
阅读全文
摘要：摘要 许多现代目标检测器通过采用二次观察和思考机制展示了卓越的性能。在本文中，我们在目标检测的主干设计中探索了这一机制。在宏观层面上，我们提出了递归特征金字塔（Recursive Feature Pyramid），该金字塔将特征金字塔网络（Feature Pyramid Networks）的额外反馈
阅读全文
摘要：摘要 在现代卷积神经网络（CNN）中，每个卷积层中学习单个静态卷积核是常见的训练范式。然而，最近在动态卷积的研究中表明，通过学习 n 个卷积核的线性组合，并且这些卷积核的权重取决于它们的输入相关注意力，可以显著提高轻量级 CNN 的准确性，同时保持高效的推理。但是，我们观察到，现有的工作通过一个维度
阅读全文
摘要：摘要 作为视觉Transformers的核心构建模块，注意力机制是一种强大的工具，用于捕捉长程依赖关系。然而，这种强大功能也带来了代价：计算代价巨大且内存占用高，因为需要计算所有空间位置上成对的token交互。为缓解这一问题，一系列研究尝试通过引入手工设计且内容无关的稀疏性来改进注意力机制，例如将注
阅读全文
摘要：摘要 摘要——高光谱图像（HSI）去噪对于高光谱数据的有效分析和解释至关重要。然而，同时建模全局和局部特征以增强HSI去噪的研究却很少。在本文中，我们提出了一种混合卷积和注意力网络（HCANet），该网络结合了卷积神经网络（CNN）和Transformers的优势。为了增强全局和局部特征的建模，我们
阅读全文
摘要：摘要 本项目介绍了一种轻量级的 Mixed Local Channel Attention (MLCA) 模块，该模块同时考虑通道信息和空间信息，并结合局部信息和全局信息以提高网络的表达效果。基于该模块，我们提出了 MobileNet-Attention-YOLO(MAY) 算法，用于比较各种注意力
阅读全文
摘要：**HCANet: 高光谱图像去噪新方法**
HCANet是一种结合CNN与Transformer的深度学习模型，专为高光谱图像设计。它使用卷积注意力融合模块（CAFM）捕捉局部和全局特征，并通过多尺度前馈网络（MSFN）增强多尺度信息聚合，提升去噪效果。CAFM包含卷积和注意力分支，整合局部细节与长距离依赖。代码已开源：[GitHub](https://github.com/summitgao/HCANet)。
阅读全文
摘要：**摘要：**
本文提出轻量级MLCA模块，结合通道、空间、局部及全局信息，提升网络表达效率。在MobileNet-Attention-YOLO(MAY)中应用MLCA，于PASCAL VOC和SMID数据集上对比SE和CA，mAP提升1.0%和1.5%。论文及代码链接提供。MLCA通过局部池化和反池化处理，增强通道交互和空间信息，实现更精确的目标检测。详情见YOLO改进与实战专栏。
阅读全文
摘要：摘要 视觉Transformer在许多视觉任务上展示了卓越的性能。然而，它在浅层捕获局部特征时可能会面临高度冗余的问题。因此，使用了局部自注意力或早期阶段的卷积来减少这种冗余，但这牺牲了捕获长距离依赖的能力。一个挑战随之而来：在神经网络的早期阶段，我们是否能高效且有效地进行全局上下文建模？为解决这一
阅读全文
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 摘要 通道或空间注意力机制在许多计算机视觉任务中表现出显著的效果，可以生成更清晰的特
阅读全文
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 摘要 卷积和自注意力是两个强大的表示学习技术，通常被认为是彼此独立的两种同级方法。在
阅读全文
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 摘要 基于Transformer的方法在低级视觉任务中表现出色，例如图像超分辨率。然
阅读全文
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 摘要 医学图像通常展示出低对比度和显著的器官形状变化等特征。现有注意力机制通常不足以
阅读全文
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 摘要 Transformers最近在各种视觉任务中展现出了优越的性能。较大甚至是全局
阅读全文
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 摘要 医学图像分割在Transformer模型的应用下取得了显著进步，这些模型在捕捉
阅读全文
摘要：摘要 医学图像分割在Transformer模型的应用下取得了显著进步，这些模型在捕捉远距离上下文和全局语境信息方面表现出色。然而，这些模型的计算需求随着token数量的平方增加，限制了其深度和分辨率能力。大多数现有方法以逐片处理三维体积图像数据（称为伪3D），这忽略了重要的片间信息，从而降低了模型的
阅读全文
