YOLOv9改进策略 | 添加注意力篇 | TripletAttention三重注意力机制（附代码+机制原理+添加教程）

最新推荐文章于 2024-10-22 00:01:47 发布
最新推荐文章于 2024-10-22 00:01:47 发布
阅读量2.2k 收藏 34
点赞数 16
CC 4.0 BY-SA版权
分类专栏： YOLOv9有效涨点专栏 文章标签： YOLO 深度学习 人工智能 计算机视觉 YOLOv9 目标检测 yolov9
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/java1314777/article/details/138169566
本文深入探讨YOLOv9中Triplet Attention的原理，通过三个不同视角分析输入数据，提升模型对图像特征的理解。详细介绍了Triplet Attention的实现流程、核心代码及添加教程，包括代码修改和yaml配置，助读者掌握这一改进机制。

 一、本文介绍

本文给大家带来的改进是Triplet Attention三重注意力机制。这个机制，它通过三个不同的视角来分析输入的数据，就好比三个人从不同的角度来观察同一幅画，然后共同决定哪些部分最值得注意。三重注意力机制的主要思想是在网络中引入了一种新的注意力模块，这个模块包含三个分支，分别关注图像的不同维度。比如说，一个分支可能专注于图像的宽度，另一个分支专注于高度，第三个分支则聚焦于图像的深度，即色彩和纹理等特征。这样一来，网络就能够更全面地理解图像内容，就像是得到了一副三维眼镜，能够看到图片的立体效果一样。

专栏地址：YOLOv9有效涨点专栏-持续复现各种顶会内容-有效涨点-全网改进最全的专栏 

目录

 一、本文介绍

二、Triplet Attention机制原理

2.1 Triplet Attention的基本原理 

2.2 Triplet Attention和其它简单注意力机制的对比 

2.3 Triplet Attention的实现流程

三、Triplet Attention的核心代码

四、手把手教你添加Triplet Attention

4.1 细节修改教程

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 Triplet Attention的yaml文件

4.2.1 Triplet Attention的yaml文件一

4.2.2 Triplet Attention的yaml文件二

4.3 Triplet Attention运行成功截图

五、本文总结 

二、Triplet Attention机制原理

​

论文地址：官方论文地址

代码地址：官方代码地址

了解本专栏 订阅专栏 解锁全文
YOLOv9改进，YOLOv9添加NAM注意力机制并与RepNCSPELAN4结构融合
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
08-31 487
我们提出了NAM作为一种高效且轻量级的注意机制。我们采用了CBAM中的模块整合方法，并重新设计了通道和空间注意子模块。然后，在每个网络块的末端嵌入NAM模块。对于残差网络，它被嵌入到残差结构的末端。我们还对空间维度应用BN的缩放因子来衡量像素的重要性。我们称之为像素归一化。对应的空间注意子模块如图2。NAM的优势1.高效性：通过使用BN的缩放因子，我们能够高效地衡量通道和像素的重要性，而不会显著增加计算复杂度。2.轻量级：NAM模块结构简单且易于嵌入现有网络架构中。
YOLOv9改进策略【注意力机制篇】| 添加SE、CBAM、ECA、CA、Swin Transformer等注意力和多头注意力机制
Limiiiing的博客
08-22 2641
这篇文章带来一个经典注意力模块的汇总，虽然有些模块已经发布很久了，但后续的注意力模块也都是在此基础之上进行改进的，对于初学者来说还是有必要去学习了解一下，以加深对模块，模型的理解。
YOLOv9改进策略：注意力机制 | SKAttention注意力效果优于SENet
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
03-17 1349
SKAttention注意力效果优于SENet
Yolov5添加注意力机制
热门推荐
m0_56247038的博客
05-18 2万+
1、先把注意力结构代码放到common.py文件中，以SE举例，将这段代码粘贴到common.py文件中2、找到yolo.py文件里的parse_model函数，将类名加入进去3、修改配置文件（我这里拿yolov5s.yaml举例子），将注意力层加到你想加入的位置；常用的一般是添加到backbone的最后一层，或者C3里面，这里是加在了最后一层。
【亲测免费】 Triplet Attention：深度学习中的新颖注意力机制
gitblog_00015的博客
04-27 2336
Triplet Attention：深度学习中的新颖注意力机制 在机器学习和深度学习领域，模型的创新往往围绕着如何更好地处理和理解数据。Triplet Attention 是一个由 Landskape AI 团队开源的项目，它引入了一种新的注意力机制，旨在提升模型对序列数据的理解能力。这篇文章将详细介绍 Triplet Attention 的概念、技术原理、应用场景及其独特之处。 项目简介 Tri...
YOLOv9有效提点|加入SE、CBAM、ECA、SimAM等几十种注意力机制（一）
深度学习炼丹师，偶尔分享炼丹技术!
03-01 8273
本文整合了二十余种注意力机制及在YOLOv9中的添加教程！
YOLOv11改进 | 添加注意力机制 | 添加TripletAttention三重注意力机制（附代码+机制原理+添加教程）
Snu77的博客
10-22 2935
本文给大家带来的改进是Triplet Attention三重注意力机制。这个机制，它通过三个不同的视角来分析输入的数据，就好比三个人从不同的角度来观察同一幅画，然后共同决定哪些部分最值得注意。三重注意力机制的主要思想是在网络中引入了一种新的注意力模块，这个模块包含三个分支，分别关注图像的不同维度。比如说，一个分支可能专注于图像的宽度，另一个分支专注于高度，第三个分支则聚焦于图像的深度，即色彩和纹理等特征。这样一来，网络就能够更全面地理解图像内容，就像是得到了一副三维眼镜，能够看到图片的立体效果一样。
YOLOv8改进 | 注意力机制 | 添加TripletAttention三重注意力机制（附代码+机制原理+添加教程）
Snu77的博客
12-06 7408
本文给大家带来的改进是Triplet Attention三重注意力机制。这个机制，它通过三个不同的视角来分析输入的数据，就好比三个人从不同的角度来观察同一幅画，然后共同决定哪些部分最值得注意。三重注意力机制的主要思想是在网络中引入了一种新的注意力模块，这个模块包含三个分支，分别关注图像的不同维度。比如说，一个分支可能专注于图像的宽度，另一个分支专注于高度，第三个分支则聚焦于图像的深度，即色彩和纹理等特征。这样一来，网络就能够更全面地理解图像内容，就像是得到了一副三维眼镜，能够看到图片的立体效果一样。
YOLOv10改进 | 添加注意力机制 | 添加TripletAttention三重注意力机制（附代码+机制原理+添加教程）
Snu77的博客
07-12 1678
本文给大家带来的改进是Triplet Attention三重注意力机制。这个机制，它通过三个不同的视角来分析输入的数据，就好比三个人从不同的角度来观察同一幅画，然后共同决定哪些部分最值得注意。三重注意力机制的主要思想是在网络中引入了一种新的注意力模块，这个模块包含三个分支，分别关注图像的不同维度。比如说，一个分支可能专注于图像的宽度，另一个分支专注于高度，第三个分支则聚焦于图像的深度，即色彩和纹理等特征。这样一来，网络就能够更全面地理解图像内容，就像是得到了一副三维眼镜，能够看到图片的立体效果一样。
YOLOv8改进 | 注意力机制 | 添加三重注意力机制 TripletAttention【原理 + 完整代码】
kay_545
05-31 672
yolov8改进，yolov8创新，涨点， yolov8，TripletAttention
【亲测免费】 探索Triplet Attention：一种创新的深度学习注意力机制
gitblog_00099的博客
04-27 853
探索Triplet Attention：一种创新的深度学习注意力机制 在深度学习领域，模型的注意力机制已经成为了提升性能的关键技术之一。 的 项目正是这样的一个创新尝试，它提出了一个新的注意力模块，旨在增强模型的学习能力和泛化能力。 项目简介 Triplet Attention 是一种基于Transformer架构的注意力机制，灵感来源于信息检索中的三元组（triplet），由查询(query)...
YOLOv9改进 添加三分支注意力机制TripletAttention
分享一些自己改进代码的实例
03-12 776
在yolov9原结构中加入TirpletAttention注意力机制，助力涨点
YOLOv9改进策略 | 添加注意力篇 | 高效的注意力改进策略EMAttention注意力机制（附多个可添加位置）
Snu77的博客
05-07 1700
本文给大家带来的改进机制是EMAttention注意力机制，它的重塑部分通道到批次维度，并将通道维度分组为多个子特征，以保留每个通道的信息并减少计算开销。EMA模块通过编码全局信息来重新校准每个并行分支中的通道权重，并通过跨维度交互来捕获像素级别的关系。本文首先给大家提供效果图(由基础版本未作任何修改和修改了本文的改进机制的效果对比图)，然后介绍其主要的原理，最后手把手教大家如何添加该注意力机制。YOLOv9有效涨点专栏-持续复现各种顶会内容-有效涨点-全网改进最全的专栏目录一、本文介绍。
YOLOv8中加入使用三分支结构捕捉交叉维度交互来计算注意权重的注意力机制TripletAttention
分享一些自己改进代码的实例
12-22 1762
在yolov8原结构中加入TirpletAttention注意力机制，助力涨点！！！！！！
YOLOV8改进：TripletAttention | 即插即用的轻量级注意力机制
2201_76125261的博客
10-04 909
由于注意机制具有在通道或空间位置之间建立相互依赖关系的能力，近年来在各种计算机视觉任务中得到了广泛的研究和应用。在本文中，我们研究了轻量级但有效的注意机制，并提出了三重注意，这是一种利用三分支结构捕获跨维交互来计算注意权重的新方法。对于输入张量，三元组注意力通过旋转操作建立维度间依赖关系，然后进行残差变换，并以可忽略不计的计算开销对通道间和空间信息进行编码。我们的方法简单高效，可以作为附加模块轻松插入经典骨干网。
YOLOv9改进，YOLOv9添加GAM注意力机制
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
07-09 1301
全局注意力机制（GAM），通过减少信息减少和放大全局交互表示来提高深度神经网络的性能。引入了带有多层感知器的 3D 排列，用于通道注意力以及卷积空间注意力子模块，GAM注意机制理论详解可以参考链接:论文地址）
YOLOv9有效提点|加入SGE、Ge、Global Context、GAM等几十种注意力机制（四）
深度学习炼丹师，偶尔分享炼丹技术!
03-02 2189
本文只有代码及注意力模块简介，YOLOv9中的添加教程：可以看之前的文章。
YOLO11改进|注意力机制篇|引入三重注意力机制Triplet Attention
A1983Z的博客
10-13 1540
YOLO11中添加三重注意力机制TripletAttention
YOLOv9改进策略 | 添加注意力篇 | 一文带你改进GAM、CBAM、CA、ECA等通道注意力机制和多头注意力机制
Snu77的博客
05-09 2011
这篇文章给大家带来的改进机制是一个汇总篇，包含一些简单的注意力机制，本来一直不想发这些内容的（网上教程太多了，发出来增加文章数量也没什么意义），但是群内的读者很多都问我这些机制所以单独出一期视频来汇总一些比较简单的注意力机制添加的方法和使用教程，本文的内容不会过度的去解释原理，更多的是从从代码的使用上和实用的角度出发去写这篇教程。欢迎大家订阅我的专栏一起学习YOLO！YOLOv9有效涨点专栏-持续复现各种顶会内容-有效涨点-全网改进最全的专栏目录一、本文介绍二、GAM2.1 GAM的介绍。
YOLOv5改进 | 添加ECA注意力机制 + 更换主干网络之ShuffleNetV2
最新发布
12-28
### 集成ECA注意力机制 为了在YOLOv5中集成ECA(Enhanced Channel Attention) 注意力机制，需先理解该机制的工作原理。ECA通过自适应调整通道间的依赖关系来增强特征表达能力[^2]。 具体实现方法如下： ```python import torch.nn as nn class ECA(nn.Module): """Constructs a ECA module. Args: channel: Number of channels of the input feature map k_size: Adaptive selection of kernel size """ def __init__(channel, k_size=3): super(ECA, this).__init__() this.avg_pool = nn.AdaptiveAvgPool2d(1) this.conv = nn.Conv1d(1, 1, kernel_size=k_size, padding=(k_size - 1) // 2, bias=False) this.sigmoid = nn.Sigmoid() def forward(x): # Feature Descriptor on the global spatial information y = this.avg_pool(x) # Two different branches of ECA module y = this.conv(y.squeeze(-1).transpose(-1, -2)).transpose(-1, -2).unsqueeze(-1) # Multi-scale information fusion y = this.sigmoid(y) return x * y.expand_as(x) ``` 此代码定义了一个简单的ECA层，在实际应用时应将其嵌入到YOLOv5的各个阶段中去。 ### 更换主干网络为ShuffleNetV2 对于替换YOLOv5中的默认主干网至ShuffleNetV2的操作，则涉及到模型架构层面的重大改动。ShuffleNetV2因其高效的计算性能而被广泛应用于移动设备端的任务处理中[^1]。 以下是简化版的ShuffleNetV2结构导入方式： ```python from torchvision.models import shufflenet_v2_x0_5 def replace_backbone(model): backbone = shufflenet_v2_x0_5(pretrained=True) model.model[0] = backbone.features # Adjusting output dimensions to match with YOLOv5's neck part requirements in_channels = backbone.out_channels out_channels = ... # Define according to your needs or original settings model.model[1] = Conv(in_channels=in_channels, out_channels=out_channels, ...) return model ``` 这段脚本展示了如何利用预训练过的`shufflenet_v2_x0_5`作为新的骨干提取器，并相应调整后续组件以保持整个检测框架的一致性和兼容性。
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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

打赏作者

Snu77

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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