YOLOv5改进 | 注意力篇 | HAttention超分辨率重建助力小目标检测 (全网独家首发)

 一、本文介绍

本文给大家带来的改进机制是HAttention注意力机制，混合注意力变换器（HAT）的设计理念是通过融合通道注意力和自注意力机制来提升单图像超分辨率重建的性能。通道注意力关注于识别哪些通道更重要，而自注意力则关注于图像内部各个位置之间的关系。HAT利用这两种注意力机制，有效地整合了全局的像素信息，从而提供更为精确的结果(这个注意力机制挺复杂的光代码就700+行)，但是效果挺好的也是10月份最新的成果非常适合添加到大家自己的论文中。同时在开始讲解之前推荐一下我的专栏，本专栏的内容支持(分类、检测、分割、追踪、关键点检测),专栏目前为限时折扣，欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的文件和交流群提供给大家。

推荐指数：⭐⭐⭐⭐⭐(最新的改进机制)

专栏回顾：YOLOv5改进专栏——持续复现各种顶会内容——内含100+创新

目录

 一、本文介绍

二、HAttention框架原理 

2.1 混合注意力变换器（HAT）

三、HAttention的核心代码

四、手把手教你添加HAttention机制 

4.1 HAttention添加步骤

4.1.1 修改一

4.1.2 修改二

4.1.3 修改三 

4.1.4 修改四

4.2 HAT的yaml文件和训练截图

4.2.1 HAT的yaml版本一(推荐)

4.2.2 HAT的yaml版本二

4.2.3 HAT的yaml版本三

4.3 HAT的训练过程截图 

五、本文总结

---

二、HAttention框架原理 

官方论文地址：官方论文地址

官方代码地址：官方代码地址

---

这篇论文提出了一种新的混合注意力变换器（H