相關(guān)文章

• 

  漲點(diǎn)技巧：Detect系列---Yolov5/Yolov7加入ASFF特征金字塔融合方法，漲點(diǎn)明顯

  目錄 ? 1.ASFF介紹 ?2.ASFF加入Yolov5提升檢測(cè)精度 2.1 ASFF加入common.py中： 2.2 ASFF加入yolo.py中：? 2.3 修改yolov5s_asff.yaml 2.4 與cbam結(jié)合 進(jìn)一步提升檢測(cè)精度 ?? ????????????Yolov5/Yolov7成長(zhǎng)師?????????????? ????進(jìn)階專(zhuān)欄Yolov5/Yolov7魔術(shù)師：http://t.csdn.cn/D4NqB ???? ???

  2023年04月08日

  瀏覽(32)

• 改進(jìn)YOLO系列：YOLOv5結(jié)合轉(zhuǎn)置卷積，實(shí)現(xiàn)小目標(biāo)漲點(diǎn)

  該函數(shù)是用來(lái)進(jìn)行轉(zhuǎn)置卷積的，它主要做了這幾件事：首先，對(duì)輸入的feature map進(jìn)行padding操作，得到新的feature map；然后，隨機(jī)初始化一定尺寸的卷積核；最后，用隨機(jī)初始化的一定尺寸的卷積核在新的feature map上進(jìn)行卷積操作。 補(bǔ)充一下，卷積核確實(shí)是隨機(jī)初始的，但是后

  2023年04月09日

  瀏覽(26)

• 改進(jìn)YOLOv8/YOLOv5系列：助力漲點(diǎn)，魔改注意力，動(dòng)態(tài)通道注意力模塊DyCAConv，帶改進(jìn)描述

  在深度學(xué)習(xí)領(lǐng)域，尤其是計(jì)算機(jī)視覺(jué)任務(wù)中，神經(jīng)網(wǎng)絡(luò)需要捕捉圖像中的多尺度特征以實(shí)現(xiàn)有效的特征表征。為了實(shí)現(xiàn)這一目標(biāo)，研究人員不斷開(kāi)發(fā)新的模塊和結(jié)構(gòu)來(lái)改進(jìn)神經(jīng)網(wǎng)絡(luò)的性能。通道注意力模塊是一種有效的方法，旨在為每個(gè)通道分配權(quán)重，使網(wǎng)絡(luò)關(guān)注更重要的通

  2023年04月25日

  瀏覽(31)
• 

  目標(biāo)檢測(cè)算法——YOLOv5/YOLOv7改進(jìn)之結(jié)合Swin Transformer V2（漲點(diǎn)神器）

  作者提出了將Swin Transformer縮放到30億個(gè)參數(shù)的技術(shù) ，并使其能夠使用高達(dá)1536×1536分辨率的圖像進(jìn)行訓(xùn)練。在很多方面達(dá)到了SOTA。 目前，視覺(jué)模型尚未像NLP語(yǔ)言模型那樣被廣泛探索，部分原因是訓(xùn)練和應(yīng)用中的以下差異: （1）視覺(jué)模型通常在規(guī)模上面臨不穩(wěn)定性問(wèn)題； （2）

  2024年02月05日

  瀏覽(26)
• 

  YOLOV8改進(jìn)：頂刊TIP 2023 | CFP：即插即用的多尺度融合模塊，有效漲點(diǎn)！

  ? 特征金字塔網(wǎng)絡(luò)現(xiàn)代識(shí)別系統(tǒng)中的一種基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)，可有效地用于檢測(cè)不同尺度的物體。 SSD ?是最早使用特征金字塔結(jié)構(gòu)表示多尺度特征信息的方法之一， FPN ?則依賴于自下而上的特征金字塔結(jié)構(gòu)，通過(guò)建立自上而下的路徑和橫向連接從多尺度高級(jí)語(yǔ)義特征圖中獲取特

  2024年02月09日

  瀏覽(83)

• YoloV8改進(jìn)策略：Agent Attention|Softmax與線性注意力的融合研究|有效漲點(diǎn)|代碼注釋與改進(jìn)|全網(wǎng)首發(fā)（唯一）

  漲點(diǎn)效果：在我自己的數(shù)據(jù)集上，mAP50 由0.986漲到了0.991，mAP50-95由0.737漲到0.753，漲點(diǎn)明顯！ 本文提出了一種新型的注意力機(jī)制——Agent Attention，旨在平衡計(jì)算效率和表示能力。該機(jī)制在傳統(tǒng)的注意力模塊中引入了額外的agent tokens A，這些agent tokens首先為query tokens Q聚合信息，

  2024年01月18日

  瀏覽(36)
• 

  YOLOv5改進(jìn)系列（20）——添加BiFormer注意力機(jī)制（CVPR2023|小目標(biāo)漲點(diǎn)神器）

  ? ? 【YOLOv5改進(jìn)系列】前期回顧： YOLOv5改進(jìn)系列（0）——重要性能指標(biāo)與訓(xùn)練結(jié)果評(píng)價(jià)及分析 YOLOv5改進(jìn)系列（1）——添加SE注意力機(jī)制 YOLOv5改進(jìn)系列（2）——添加CBAM注意力機(jī)

  2024年02月13日

  瀏覽(19)
• 

  YOLOv7、YOLOv5改進(jìn)全新XIoU損失函數(shù)：獨(dú)家首發(fā)最新改進(jìn)｜YOLO改進(jìn)Trick，相比較CIoU改進(jìn)輕松漲點(diǎn)，提升網(wǎng)絡(luò)模型性能、收斂速度和魯棒性

  ??該教程為屬于 《芒果書(shū)》 ??系列，包含大量的原創(chuàng)首發(fā)改進(jìn)方式, 所有文章都是全網(wǎng)首發(fā)原創(chuàng)改進(jìn)內(nèi)容?? ??本篇文章 為 YOLOv5、YOLOv7、YOLOv8 芒果改進(jìn)YOLO系列： YOLOv7、YOLOv5改進(jìn)全新XIoU損失函數(shù)：首發(fā)最新改進(jìn)｜結(jié)合XIoU損失函數(shù)，相比較CIoU改進(jìn)輕松漲點(diǎn)，YOLO改進(jìn)Trick，

  2023年04月21日

  瀏覽(22)

• 改進(jìn)YOLOv5系列：ResNeXt融合特征金字塔，引領(lǐng)YOLOv5目標(biāo)檢測(cè)

  2023年06月20日

  瀏覽(30)
• 

  YOLOv5、v7改進(jìn)之二十八：ICLR 2022漲點(diǎn)神器——即插即用的動(dòng)態(tài)卷積ODConv

  前 言： 作為當(dāng)前先進(jìn)的深度學(xué)習(xí)目標(biāo)檢測(cè)算法YOLOv5、v7系列算法，已經(jīng)集合了大量的trick，但是在處理一些復(fù)雜背景問(wèn)題的時(shí)候，還是容易出現(xiàn)錯(cuò)漏檢的問(wèn)題。此后的系列文章，將重點(diǎn)對(duì)YOLO系列算法的如何改進(jìn)進(jìn)行詳細(xì)的介紹，目的是為了給那些搞科研的同學(xué)需要?jiǎng)?chuàng)新點(diǎn)或者

  2024年02月05日

  瀏覽(25)