YOLO11改进|YOLO11中引入注意力和卷积融合模块CAFMAttention

最新推荐文章于 2025-04-08 20:48:56 发布
最新推荐文章于 2025-04-08 20:48:56 发布
阅读量354 收藏 1
点赞数 12
分类专栏： YOLO11改进专栏 文章标签： YOLO
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.youkuaiyun.com/A1983Z/article/details/146519432
版权

在这里插入图片描述

目录

一、【CAFMAttention】模块

1.1【CAFMAttention】模块

在这里插入图片描述

论文地址：https://arxiv.org/pdf/2408.01897
代码地址：https://github.com/xiaochen925/CAF-YOLO

下图是【CAFMAttention】的结构图，让我们简单分析一下运行过程和优势

运行过程:

了解本专栏 订阅专栏 解锁全文 超级会员免费看
YOLO11改进|注意力机制篇|引入ELA注意力机制
A1983Z的博客
10-05 2338
YOLO11添加ELA注意力机制
YOLO11改进|注意力机制篇|引入MSCA注意力机制
A1983Z的博客
10-08 3275
YOLO11中添加MSCA多尺度卷积注意力
YOLO11改进|注意力机制篇|引入先验卷积注意力机制CPCA
A1983Z的博客
10-13 1623
YOLO11中添加先验卷积注意力机制CAPA
YOLO11改进 | 注意力机制 | 添加SE注意力机制
kay_545
10-16 2429
yolov11，yolo11改进
YOLO11改进|注意力机制篇|引入EMA注意力机制
A1983Z的博客
10-09 3844
YOLO11中添加EMA注意力机制
YOLO11改进-模块-引入融合傅里叶卷积混合器 Fused Fourier Convolution Mixer
qq_64693987的博客
02-11 1424
FFCM（Fused Fourier Convolution Mixer）基于离散傅里叶变换（DFT）理论。离散傅里叶变换能将空间域的图像特征转换到频域。在图像去雨场景中，雨条纹在频域具有独特且相对稳定的特征模式，利用 DFT 可将图像的退化成分（如雨条纹）与正常图像成分在频域上进行一定程度的分离。同时，频域特征由整个空间域的成分计算得出，具备天然的全局特性，可作为全局特征提取器，有助于对图像进行全局建模分析，以实现有效的去雨等处理。
YOLO11改进 | 卷积模块 | 减少冗余计算和内存访问的PConv【CVPR2023】
kay_545
10-04 2483
yolo11改进，yolo11，PConv
YOLO11改进 | 卷积模块 | 用坐标卷积CoordConv替换Conv【超详细】
kay_545
10-05 1480
yolo11，CoordConv，yolo11改进
YOLO11改进 | 卷积模块 | 用Ghost卷积轻量化网络【详细步骤】
kay_545
10-06 3532
yolo11改进，yolo11改进，创新
YOLO11改进 | 卷积模块 | 轻量化GSConv替换普通的conv
kay_545
10-05 2123
yolo11，GSConv，卷积模块
YOLO11改进|注意力机制篇|引入注意力与卷积混合的ACmix
A1983Z的博客
10-04 1296
YOLO11中添加ACmix注意力机制
YOLO11改进 | 卷积模块 | 引入多尺度分支来增强特征表征的注意力机制 【CVPR2021】
kay_545
10-10 1409
yolo11改进，yolo11，
YOLO11改进 | 融合改进 | C3k2融合小波卷积改进【两种融合方法】
kay_545
01-02 1659
yolo11改进，yolo11发论文
YOLO11改进|注意力机制篇|引入注意力机制Shuffle Attention
A1983Z的博客
10-13 943
YOLO11中添加Shuffle Attention注意力机制
YOLO11改进 | 卷积模块 | SAConv可切换空洞卷积【详细步骤】
kay_545
10-04 1275
yolo11，yolo11改进，yolo11创新
Ubuntu22.04——YOLOv8模型训练到RK3588设备部署和推理
boss-dog
04-07 186
PS：由于部署系统为瑞芯微开发板，因此需要下载瑞芯微修改后的yolov8源码（只修改了export.py导出部分，训练用yolov8的源码也没问题），且版本与训练PT模型时的ultralytics版本最好一致或高于训练版本（我训练时用的是v8.2.0版本，瑞芯微官网我看是v8.2.71，后续可以直接用瑞芯微官网提供的yolov8源码进行训练）。打开yolo的源码仓库，进去之后会发现不管是什么版本，所有的Tags都是8.x.x，无法分清是yolov8还是yolo11。尝试删除构建目录中的CMake缓存文件。
YOLOv11实战电力设备缺陷检测
weixin_40280870的博客
04-06 622
本文采用YOLOv11作为核心算法框架，结合PyQt5构建用户界面，使用Python3进行开发。YOLOv11以其高效的实时检测能力，在多个目标检测任务中展现出卓越性能。本研究针对电力设备缺陷数据集进行训练和优化，该数据集包含丰富的电力设备缺陷图像样本，为模型的准确性和泛化能力提供了有力保障。通过深度学习技术，模型能够自动提取电力设备缺陷的特征并进行分类识别。PyQt5界面设计简洁直观，便于用户操作和实时查看检测结果。本研究不仅提高了电力设备缺陷识别的自动化水平，还为电力设备缺陷系统的构建提供了有力支持
物体检测算法：R-CNN，SSD，YOLO
最新发布
weixin_73557167的博客
04-08 896
概要介绍物体检测算法
YOLO V8中的​“中心点邻近区域 + 动态IoU匹配“
thequitesunshine007的博客
04-06 615
它是联合优化正样本分配的策略，旨在更精准地匹配预测框与真实目标的位置关系。
yolo11改进注意力
12-31
### YOLOv11 中改进的注意力机制 YOLOv11 引入了多种先进的注意力机制来提升模型的表现，特别是 ACmix 自注意力与卷积混合模型以及 CA 注意力机制。 #### ACmix 自注意力与卷积混合模型 ACmix 是一种新颖的自注意力与卷积相结合的方法，用于改善模型特征识别效率。该方法融合了局部和全局信息的优点，既能够捕捉到图像中的细粒度细节，又可以处理更广泛的上下文关系[^2]。具体来说： - **局部特征提取**：利用标准卷积层获取局部区域内的特征。 - **全局依赖建模**：采用自注意力机制学习不同位置之间的关联性，从而更好地理解整个场景的内容。 - **多尺度交互**：通过设计特殊的模块结构实现跨尺度的信息交流，进一步增强了表达能力。 ```python import torch.nn as nn class ACMix(nn.Module): def __init__(self, channels): super(ACMix, self).__init__() self.conv_local = nn.Conv2d(channels, channels, kernel_size=3, padding=1) self.self_attention = SelfAttention(channels) def forward(self, x): local_features = self.conv_local(x) global_dependencies = self.self_attention(x) mixed_output = (local_features + global_dependencies) / 2. return mixed_output ``` #### CA 注意力机制 坐标注意力（Coordinate Attention, CA）是一种创新性的注意力方案，它结合了通道注意力与位置信息的优势，旨在显著增强移动网络的性能[^4]。其工作原理如下： - 对特征张量在垂直和水平两个空间维度上执行一维全局池化操作； - 精确捕获沿着这两个方向上的重要特性，并保持细致的位置数据； - 成功捕捉到了远距离的相关性； - 将上述获得的关注图分别应用于原始特征映射之上，以此强调并加强目标对象所在之处的表现效果。 ```python def coordinate_attention(feature_map): b, c, h, w = feature_map.size() # Vertical pooling and horizontal pooling vertical_pooling = F.adaptive_avg_pool2d(feature_map.permute(0, 2, 1, 3).contiguous().view(b*h, c, w), output_size=(1)) horizontal_pooling = F.adaptive_avg_pool2d(feature_map.view(b*w, c, h), output_size=(1)) # Reshape back to original dimensions after applying attention maps attended_vertical = ... attended_horizontal = ... final_feature_map = attended_vertical * attended_horizontal return final_feature_map ```
评论
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
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