YOLOv10改进 | Conv篇 | 轻量级下采样方法ContextGuided（大幅度涨点）

已于 2024-07-09 00:17:59 修改
阅读量2.4k 收藏 20
点赞数 22
CC 4.0 BY-SA版权
分类专栏： YOLOv10有效涨点专栏 文章标签： 深度学习 目标跟踪 计算机视觉 pytorch YOLO 人工智能 YOLOv10
于 2024-07-09 00:17:19 首次发布
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/139998736

 一、本文介绍

本文给大家带来的是改进机制是一种替换Conv的模块Context Guided Block (CG block) ，其是在CGNet论文中提出的一种模块，其基本原理是模拟人类视觉系统依赖上下文信息来理解场景。CG block 用于捕获局部特征、周围上下文和全局上下文，并将这些信息融合起来以提高准确性。(经过我检验分别在三种数据集上，大中小均进行了150轮次的实验，均有一定程度上的涨点，下面我选取了一种中等大小的数据集的结果进行了对比)，同时本文的修改方法和之前的普通卷积模块也有所不同，大家需要注意看章节四进行修改。

适用检测目标：所有的目标检测均有一定的提点

推荐指数：⭐⭐⭐⭐⭐

  专栏回顾：YOLOv10改进系列专栏——本专栏持续复习各种顶会内容——科研必备 

目录

 一、本文介绍

二、ContextGuidedBlock_Down模块原理

2.1  ContextGuidedBlock_Down的基本原理

2.2  局部特征提取器

2.3  周围上下文提取器

2.4  联合特征提取器

2.5  全局上下文提取器

三、ContextGuided的核心代码

四、 手把手教你添加ContextGuided(注意看此处)

4.1 修改一

4.2 修改二 

4.3 修改三 

五、ContextGuided的yaml文件

了解本专栏 订阅专栏 解锁全文
YOLOv10改进 | Conv篇 | 全新的SOTA轻量化下采样操作ADown（参数量下降百分之二十，附手撕结构图）
Snu77的博客
07-11 1170
本文给大家带来的改进机制是利用2024/02/21号最新发布的YOLOv9其中提出的ADown模块来改进我们的Conv模块，其中YOLOv9针对于这个模块并没有介绍，只是在其项目文件中用到了，我将其整理出来用于我们的YOLOv10的项目，经过实验我发现该卷积模块（作为下采样模块）首先可以大幅度降低参数值（v8n大约六十万），其次其精度上也有很高的提升，同时本文的内容目前网络上并无其它人总结（也是最新发布的，可以说BUff是集满了）大家可以尝试以下在自己数据集上的效果。欢迎大家订阅我的专栏一起学习YOLO。
YOLOv5改进 | Conv篇 | 轻量级下采样方法ContextGuided（大幅度涨点）
Snu77的博客
01-06 3511
本文给大家带来的是改进机制是一种替换Conv的模块Context Guided Block (CG block)，其是在CGNet论文中提出的一种模块，其基本原理是模拟人类视觉系统依赖上下文信息来理解场景。CG block 用于捕获局部特征、周围上下文和全局上下文，并将这些信息融合起来以提高准确性。(经过我检验分别在三种数据集上，大中小均进行了150轮次的实验，均有一定程度上的涨点，下面我选取了一种中等大小的数据集的结果进行了对比)，同时本文的修改方法和之前的普通卷积模块也有所不同，大家需要注意看章节四进
yolov8改进-轻量级下采样方法ContextGuided
yangfanfanfanfan的博客
03-14 909
参考:这个博主的bilibili账号是:YOLOv8模型改进 第八讲 添加上下文引导模块 ContextGuided_哔哩哔哩_bilibili我现在就不核对了是不是同一个人了， 如果大家发现不对请指正。
YOLOv8改进 | Conv篇 | 轻量级下采样方法ContextGuided（大幅度涨点）
热门推荐
Snu77的博客
12-16 1万+
本文给大家带来的是改进机制是一种替换Conv的模块Context Guided Block (CG block)，其实在CGNet论文中提出的一种模块，其基本原理是模拟人类视觉系统依赖上下文信息来理解场景。CG block 用于捕获局部特征、周围上下文和全局上下文，并将这些信息融合起来以提高准确性，)(经过我检验分别在三种数据集上，大中小均进行了150轮次的实验，均有一定程度上的涨点，下面我选取了一种中等大小的数据集的结果进行了对比)，同时本文的修改方法和之前的普通卷积模块也有所不同。
YOLOv10改进：轻量级下采样方法ContextGuided
走向CTO的路上...
10-10 694
ContextGuided模式在YOLOv10中体现了高效的下采样能力，提高了模型的整体效率和速度。在保持检测精度的同时降低了模型重量，使其适合资源有限的环境。
YOLOv8模型改进 第八讲 添加上下文引导模块 ContextGuided
qq_64693987的博客
10-14 3072
CGNet（Context Guided Network）是一种专为语义分割设计的轻量级神经网络。它通过有效的特征提取和上下文信息融合，旨在提升图像分割任务的准确性和效率。以下是 CGNet 的详细介绍，包括其设计理念、结构组成和应用场景。
InceptionNext:当Inception遇到ConvNeXt
AI浩
06-24 1513
回顾深度学习的历史[31]，卷积神经网络(Convolutional Neural Networks, cnn)[32,33]无疑是计算机视觉中最流行的模型。在2012年，AlexNet[30]赢得了ImageNet[11,50]比赛，开启了cnn在深度学习，尤其是计算机视觉领域的新时代。
论文阅读笔记：Context-Guided Spatial Feature Reconstruction for Efficient Semantic Segmentation
HollowKnightz的博客
05-30 4869
论文阅读笔记：Context-Guided Spatial Feature Reconstruction for Efficient Semantic Segmentation
YoloV9改进策略：Block篇|基于FasterNet的Block改进|性能和精度得到大幅度提高（独家原创）
m0_47867638的博客
05-31 492
【代码】YoloV9改进策略：Block篇|基于FasterNet的Block改进|性能和精度得到大幅度提高（独家原创）
AI：247-YOLOv8改进 | 基于ContextGuided的轻量级下采样方法实现大幅度性能提升
一键难忘的博客
09-01 3060
通过引入残差连接，减缓信息丢失，并促进梯度流动。：利用密集连接方式，增强特征重用，提高信息传递效率。：引入注意力机制，动态调整下采样过程中的特征权重。本文介绍了在YOLOv8中引入的ContextGuided下采样方法，以提升目标检测性能，特别是对小目标的检测效果。通过在YOLOv8的Backbone中集成这一轻量级下采样模块，我们实现了上下文信息的有效提取和融合，从而提高了特征表示能力。方法设计。
【第64篇】ConvNeXt V2论文翻译：ConvNeXt V2与MAE激情碰撞
AI浩
01-06 2180
论文链接：ConvNeXt V2 在改进的架构和更好的表示学习框架的推动下，视觉识别领域在21世纪20年代初实现了快速现代化和性能提升。例如，以ConvNeXt[52]为代表的现代ConvNets在各种场景中都表现出了强大的性能。虽然这些模型最初是为使用ImageNet标签的监督学习而设计的，但它们也可能受益于自监督学习技术，如蒙面自编码器(MAE)[31]。然而，我们发现，简单地结合这两种方法会导致性能不佳。在本文中，我们提出了一个全卷积掩码自编码器框架和一个新的全局响应归一化(GRN)层，可以添加到Co
yolov8-更换卷积模块-ContextGuidedBlock_Down
搬砖小能手
02-28 2209
【翻译】Context-Guided Adaptive Network for Efficient Human Pose Estimation
sinat_40759442的博客
12-04 639
Context-Guided Adaptive Network for Efficient Human Pose Estimation 用于有效人体姿势估计的上下文引导自适应网络 来源：AAAI 2021:3492-3499 链接 作者： 附：AAAI 2021 论文题目汇总| 摘要 1、介绍 2、相关工作 3、提出的方法 3.1 架构 3.2 ROI导向器 3.3 中线支路/中心线分支 中心线回归 ...
FFA-Net：用于单图像去雾的特征融合注意力网络
AI浩
06-05 3886
论文链接：https://arxiv.org/pdf/1911.07559v2在这篇论文中，我们提出了一种端到端的特征融合注意力网络（FFA-Net）来直接恢复无雾图像。FFA-Net架构由三个关键组件组成：一种新颖的特征注意力（FA）模块结合了通道注意力与像素注意力机制，考虑到不同通道特征包含完全不同的加权信息，且雾在图像的不同像素上分布不均匀。FA模块对不同的特征和像素进行非等权重处理，这在处理不同类型的信息时提供了额外的灵活性，扩展了卷积神经网络（CNNs）的表示能力。
MobileNetV4——移动生态系统的通用模型
AI浩
04-26 3137
论文链接：https://arxiv.org/pdf/2404.10518我们推出了最新一代的MobileNets，称为MobileNetV4（MNv4），其特点是为移动设备提供普遍高效的架构设计。在核心部分，我们引入了通用倒置瓶颈（UIB）搜索块，这是一种统一且灵活的结构，融合了倒置瓶颈（IB）、ConvNext、前馈网络（FFN）以及新型Extra Depthwise（ExtraDW）变体。
YOLOv9改进策略【注意力机制篇】| PSA极化自我关注： 实现高质量像素回归
Limiiiing的博客
09-06 1848
本文记录的是基于PSA注意力模块的YOLOv9目标检测方法研究。PSA模块。本文将其应用到YOLOv9的检测任务中，使模型能够更好地捕捉图像中的细节信息，以实现目标检测任务中准确识别和定位。
YOLOv8改进 | 注意力机制 | RCS-OSA替换C2f实现暴力涨点（减少通道的空间对象注意力机制）
Snu77的博客
12-09 7314
本文给大家带来的改进机制是RCS-YOLO提出的RCS-OSA模块，其全称是"Reduced Channel Spatial Object Attention"，意即"减少通道的空间对象注意力"。这个模块的主要功能是通过减少特征图的通道数量，同时关注空间维度上的重要特征，来提高模型的处理效率和检测精度。亲测在小目标检测和大尺度目标检测的数据集上都有大幅度的涨点效果(mAP直接涨了大概有0.6左右。
YOLOv9改进策略【模型轻量化】| GhostNetV2：利用远距离注意力增强廉价操作
Limiiiing的博客
09-01 1182
本文记录的是基于GhostNet V2的YOLOv9目标检测轻量化改进方法研究。在目前的研究中，基于轻量级卷积神经网络在建模长距离依赖方面的不足，引入自注意力机制虽能捕获全局信息，但在实际速度方面存在较大阻碍。提出了一种硬件友好的注意力机制（DFC attention），并基于此构建。
void K_Func4(void) { r_down2++;r_f41 = 0;r_downT = 0; if((r_down2>50)||(r_down2<25)) { r_down2 = 25; } r_down = r_down2; }r_down1的初始数值为35，r_down2为调整数值的寄存器，应该怎么改才能上电r_down2的初始数值也是35
最新发布
03-20
<think>嗯，用户的问题是关于修改一段C代码，使得上电时r_down2的初始值也是35。当前的情况是r_down1的初始值是35，而r_down2是作为调整数值的寄存器，但用户希望r_down2的初始值同样设为35。现有的代码中，在函数K_Func4里，r_down2被递增，然后进行一些条件判断和赋值。 首先，我需要理解现有的代码逻辑。函数K_Func4中的操作是每次调用时r_down2自增1，然后检查是否超过50或低于25，如果是的话，就重置为25。然后将r_down设置为r_down2的值。而用户的问题是，上电时r_down2的初始值应该是35，但当前可能不是这样。 用户提到r_down1的初始值是35，这可能意味着r_down1已经被正确初始化了。而r_down2需要同样的初始化。所以，可能的解决方案是在程序启动时，将r_down2初始化为35，就像r_down1那样。这需要检查代码中r_down2的声明和初始化位置。 通常，在嵌入式系统中，全局变量或静态变量会在定义时被初始化。如果r_down2是一个全局变量，可能在代码的其他地方被初始化为某个默认值，比如0，或者没有显式初始化，导致其初始值不确定。因此，需要找到r_down2的定义位置，并显式地将其初始值设为35，例如：int r_down2 = 35;。这样，每次上电时，r_down2的初始值就是35，而不是之前的可能值。 另外，需要确认代码中是否其他地方在初始化过程中修改了r_down2的值。例如，在初始化函数中是否有对r_down2的赋值，这可能会覆盖之前的初始值。因此，需要确保在初始化流程中，r_down2没有被重新设置为其他数值。 还有一种可能是，r_down2是一个寄存器，需要通过特定的硬件初始化步骤来设置其初始值。如果是这种情况，可能需要查阅硬件文档，找到对应的寄存器地址，并在启动代码或初始化函数中写入35到该寄存器。 总结起来，步骤应该是： 1. 找到r_down2的定义位置，确保其初始值设置为35。 2. 检查是否有其他代码在初始化过程中修改了r_down2的值，如果有，需要调整。 3. 如果r_down2是硬件寄存器，需在适当的位置（如初始化函数）写入35。 需要用户确认r_down2是普通的全局变量还是映射到硬件的寄存器，以及是否有其他初始化代码影响其值。此外，确保在函数K_Func4执行前，r_down2已经被正确初始化为35，这样在第一次调用时，r_down2的值会是35，然后递增到36，之后根据条件调整。</think>要实现上电时寄存器 `r_down2` 的初始值为 35（与 `r_down1` 一致），需按以下步骤修改代码： --- ### **步骤 1：理解现有逻辑** - 原代码中 `r_down1` 初始为 35，但 `r_down2` 初始值未明确设定（可能默认为 0 或其他值）。 - 每次调用 `K_Func4` 时，`r_down2++` 自增，并通过条件 `if((r_down2>50)||(r_down2<25))` 将其限制在 25~50 范围内。 --- ### **步骤 2：修改初始化代码** #### 若 `r_down2` 是全局变量： ```c // 在全局变量定义处初始化 int r_down2 = 35; // 初始值设为 35 int r_down1 = 35; // 现有 r_down1 的初始化 ``` #### 若 `r_down2` 是硬件寄存器： 需在系统初始化函数（如 `SystemInit()`）中写入初始值： ```c void SystemInit(void) { r_down2 = 35; // 硬件寄存器初始化 // 其他初始化代码... } ``` --- ### **步骤 3：调整函数逻辑** 由于 `K_Func4` 中每次调用会执行 `r_down2++`，首次调用时值会变为 36。若需保持初始值为 35 **直到首次调用**，需修改逻辑： ```c void K_Func4(void) { static bool first_call = true; // 静态变量标记首次调用 if (first_call) { r_down2 = 35; // 强制初始化 first_call = false; } else { r_down2++; } r_f41 = 0; r_downT = 0; if ((r_down2 > 50) || (r_down2 < 25)) { r_down2 = 25; } r_down = r_down2; } ``` --- ### **关键修改总结** 1. **显式初始化**：确保 `r_down2` 定义时初始值为 35。 2. **首次调用保护**：通过静态变量避免首次调用时的自增操作。 3. **硬件寄存器处理**：若为硬件映射寄存器，需在系统初始化阶段写入初始值。 --- ### **验证方法** 1. 上电后立即读取 `r_down2` 的值，确认是否为 35。 2. 调用 `K_Func4` 后检查 `r_down2` 是否按预期自增或重置。 通过以上修改，可确保 `r_down2` 的初始值与 `r_down1` 一致为 35，同时保持原有逻辑功能不变。
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

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