YOLOv10改进 | 主干/Backbone篇 | 添加全新的LSKNet遥感目标检测主干 (附代码+修改教程+结构讲解)

最新推荐文章于 2024-11-02 17:42:20 发布
最新推荐文章于 2024-11-02 17:42:20 发布
阅读量1.4k 收藏 13
点赞数 17
CC 4.0 BY-SA版权
分类专栏： YOLOv10有效涨点专栏 文章标签： YOLO 目标检测 目标跟踪 深度学习 人工智能 计算机视觉 YOLOv10
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/140218920

 一、本文介绍

本文给大家带来的改进内容是LSKNet（Large Kernel Selection, LK Selection），其是一种专为遥感目标检测设计的网络架构，其核心思想是动态调整其大的空间感受野，以更好地捕捉遥感场景中不同对象的范围上下文。实验部分我在一个包含三十多个类别的数据集上进行实验，其中包含大目标检测和小目标检测，mAP的平均涨点幅度在0.04-0.1之间(也有极个别的情况没有涨点)，同时官方的版本只提供了一个大版本，我在其基础上提供一个轻量化版本给大家选择，本文会先给大家对比试验的结果，供大家参考。

  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、LSKNet原理

2.1  LSKNet的基本原理

2.2 大型核选择（LK Selection）子块

2.3 前馈网络（FFN）子块

三、LSKNet核心代码

四、手把手教你添加LSKNet

修改一

修改二

修改三 

修改四

修改五 

修改六 

修改七

修改八

五、LSKNet的yaml文件

5.1 LSKNet的yaml文件版本1

5.2 LSKNet的yaml文件版本2 

六、成功运行记录 </

了解本专栏 订阅专栏 解锁全文
【RT-DETR有效改进】遥感旋转网络 | LSKNet动态的空间感受野网络（轻量又提点）
Snu77的博客
01-22 2078
本文给大家带来的改进内容是LSKNet（Large Kernel Selection, LK Selection），其是一种专为遥感目标检测设计的网络架构，其核心思想是动态调整其大的空间感受野，以更好地捕捉遥感场景中不同对象的范围上下文。实验部分我在一个包含三十多个类别的数据集上进行实验，其中包含大目标检测和小目标检测，mAP的平均涨点幅度在0.04-0.1之间(也有极个别的情况没有涨点)，同时官方的版本只提供了一个大版本，我在其基础上提供一个轻量化版本给大家选择，本文会先给大家对比试验的结果，供大家参考。
YOLOv10改进 | 主干篇 | YOLOv10引入SENetV2
tsg6698的博客
06-28 323
在本文中，我们提出了一种新的聚合多层感知器，它是一个多分支致密层，在压缩激励残差模块中设计，以超越现有结构的性能。我们在基准数据集上进行了大量的实验，以验证模型的有效性，并将其与已建立的体系结构进行比较。SENetV2 模块是一个先进的迭代版本，基于 SENet，旨在增强模型的表征能力。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv10改进有效涨点专栏，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~
YOLOv10改进 | 主干替换篇 | YOLOv10 更换主干Backbone之MobileNetV2(轻量化主干网络结构--高效轻量移动模型)
qq_45972324的博客
09-09 685
在本文中，我们介绍了一种新的移动架构 MobileNetV2，它提高了移动模型在多个任务和基准测试以及各种不同模型大小的最先进的性能。我们还描述了在我们称为 SSDLite 的新框架中将这些移动模型应用于对象检测的有效方法。此外，我们还演示了如何通过简化的 DeepLabv3 构建移动语义分割模型，我们称之为 Mobile DeepLabv3。基于倒置残差结构，其中快捷方式连接位于薄瓶颈层之间。中间扩展层使用轻量级深度卷积来过滤特征作为非线性的来源。
YOLOv8改进 | 主干篇 | 添加FasterNeT跑起来的主干网络（提高FPS和检测效率）
Snu77的博客
01-02 6721
本文给大家带来的改进机制是FasterNet网络，将其用来替换我们的特征提取网络，其旨在提高计算速度而不牺牲准确性，特别是在视觉任务中。它通过一种称为部分卷积（PConv）的新技术来减少冗余计算和内存访问。这种方法使得FasterNet在多种设备上运行速度比其他网络快得多，同时在各种视觉任务中保持高准确率。经过我的实验该主干网络确实能够涨点在大中小三种物体检测上，同时该主干网络也提供多种版本，大家可以在源代码中进行修改版本的使用。本文通过介绍其主要框架原理，然后教大家如何添加该网络结构到网络模型中。
YOLOv8改进 | 主干篇 | 利用MobileNetV1替换Backbone（轻量化网络结构）
Snu77的博客
12-21 3373
本文给大家带来的改进机制是MobileNetV1，其是专为移动和嵌入式视觉应用设计的轻量化网络结构。这些模型基于简化的架构，并利用深度可分离卷积构建轻量级深度神经网络，其引入了两个简单的全局超参数，用于在延迟和准确性之间进行有效的权衡。实验表明，MobileNets在资源和准确性的权衡方面表现出色，并在多种应用（如对象检测、细粒度分类、面部属性识别和大规模地理定位）中展现了其有效性，这个模型非常适合轻量化的读者来使用。适用检测目标：轻量化网络结构适合轻量化的读者。
YOLOv8改进 | 主干篇 | 添加全新的LSKNet遥感目标检测主干（附代码+修改教程+结构讲解）
走向CTO的路上...
06-28 1074
将LSKNet引入YOLOv8的主干网络可以显著提升遥感目标检测模型的性能，尤其是在目标检测的精度、速度和鲁棒性方面。LSKNet是一种轻量级的深度卷积神经网络架构，它采用了一系列创新设计，在保证模型精度的同时，大幅降低了模型的计算量和参数量。LSKNet的引入使得YOLOv8能够在遥感图像上进行高效、准确的目标检测。LSKNet遥感目标检测主干是一种有效的改进方案，可以显著提升遥感目标检测模型的性能，使其成为遥感图像分析和应用的重要工具。
YOLOv8改进 | 主干篇 | 添加全新的LSKNet遥感目标检测主干 (附代码+修改教程+结构讲解)
Snu77的博客
12-13 4783
本文给大家带来的改进内容是LSKNet（Large Kernel Selection, LK Selection），其是一种专为遥感目标检测设计的网络架构，其核心思想是动态调整其大的空间感受野，以更好地捕捉遥感场景中不同对象的范围上下文。实验部分我在一个包含三十多个类别的数据集上进行实验，其中包含大目标检测和小目标检测，mAP的平均涨点幅度在0.04-0.1之间(也有极个别的情况没有涨点)，同时官方的版本只提供了一个大版本，我在其基础上提供一个轻量化版本给大家选择，本文会先给大家对比试验的结果，供大家参考。
YOLOv11改进 | 主干/Backbone篇 | 添加最新的LSKNet遥感目标检测网络主干 (可根据yolov11版本自行放缩通道数独家创新)
Snu77的博客
11-01 1928
本文给大家带来的改进内容是LSKNet（Large Kernel Selection, LK Selection），其是一种专为遥感目标检测设计的网络架构，其核心思想是动态调整其大的空间感受野，以更好地捕捉遥感场景中不同对象的范围上下文。实验部分我在一个包含三十多个类别的数据集上进行实验，其中包含大目标检测和小目标检测，mAP的平均涨点幅度在0.04-0.1之间(也有极个别的情况没有涨点)，同时官方的版本只提供了一个大版本，我在其基础上提供一个轻量化版本给大家选择，本文会先给大家对比试验的结果，供大家参考。
YOLOv5改进 | 主干篇 | 添加全新的LSKNet遥感目标检测主干 (附代码+修改教程+结构讲解)
Snu77的博客
12-27 1890
本文给大家带来的改进内容是LSKNet（Large Kernel Selection, LK Selection），其是一种专为遥感目标检测设计的网络架构，其核心思想是动态调整其大的空间感受野，以更好地捕捉遥感场景中不同对象的范围上下文。实验部分我在一个包含三十多个类别的数据集上进行实验，其中包含大目标检测和小目标检测，mAP的平均涨点幅度在0.04-0.1之间(也有极个别的情况没有涨点)，同时官方的版本只提供了一个大版本，我在其基础上提供一个轻量化版本给大家选择，本文会先给大家对比试验的结果，供大家参考。
芒果YOLOv8改进18：主干Backbone篇GhostNet：原创改进高效 GhostNet 网络，华为出品，打造全新检测器
包括YOLOv5、YOLOv7、YOLOv8等模型改进
05-31 3539
💡本篇内容：YOLOvYOLOv8改进GhostNet主干系列：高效结合GhostNet网络，华为出品，打造强力检测器：GhostNet重点：🔥🔥🔥YOLOv8 使用这个在数据集改进做实验：即插即用GhostNet💡🚀🚀🚀本博客内附的改进源代码改进，按步骤操作运行改进后的代码即可。
YOLOv8改进策略：融合LSKNet技术以打造更适合小目标的YOLOv8
qq_62660798的博客
01-21 1850
随着计算机视觉的飞速发展，目标检测技术在各种应用场景中发挥着至关重要的作用。YOLOv8（You Only Look Once）系列一直以来以其高效、实时的特性受到广泛关注。然而，对于小目标的精准检测一直是目标检测领域的一个挑战。为了解决这一问题，本文提出了一种改进策略：将LSKNet技术融合到YOLOv8中，以打造更适合小目标检测的YOLOv8版本。在深入讨论改进策略之前，我们先回顾一下YOLOv8的基本架构。
YOLOv10优化：backbone改进 | 一种极简的神经网络模型 VanillaNet,华为诺亚
06-05 540
一种极简的神经网络模型 VanillaNet,华为诺亚
YOLO11改进 | 卷积模块 | 轻量化GSConv替换普通的conv
kay_545
10-05 2544
yolo11，GSConv，卷积模块
芒果YOLOv5改进59：主干Backbone篇之LSKNet：顶会ICCV2023｜原创改进遥感旋转目标检测SOTA！大选择性卷积核的领域首次探索
包括YOLOv5、YOLOv7、YOLOv8等模型改进
07-23 1336
YOLOv5代码改进｜改进顶会结构LSKNet🍊
【YOLOv10改进-注意力机制】LSKNet(Large Selective Kernel Network ):空间选择注意力
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
07-06 746
近期在遥感目标检测的研究中，主要集中于提高定向边界框的表示能力，但却忽略了遥感场景中独有的先验知识。这类先验知识是有用的，因为在没有参考足够长范围上下文的情况下，微小的遥感目标可能会被错误地检测到，而不同类型的对象所需的长范围上下文可能会有所不同。在本文中，我们考虑到了这些先验，并提出了大型选择性核网络（LSKNet）。LSKNet能够动态调整其大的空间接收场，以更好地模拟遥感场景中各种对象的范围上下文。据我们所知，这是首次在遥感目标检测领域探索大型和选择性核机制。
遥感目标检测中的多尺度特征融合——YOLOv8 + LSKNet改进解析【YOLOv8】
最新发布
步入烟尘的博客
11-02 1207
LSKNet是一种结合了大核卷积和小核卷积的网络结构，通过融合不同感受野的特征，有效提升了对目标的识别能力。大核卷积有助于捕捉全局特征，而小核卷积则在保留局部细节方面表现出色。LSKNet特别适合处理具有复杂背景和多尺度目标的遥感图像。
YOLO算法改进指南【中阶改进篇】：7. 添加SK-Net注意力机制
“365天深度学习训练营”报名进行中～
07-06 609
受皮质神经元根据不同的刺激可动态调节其自身的receptive field的启发，提出了一种动态选择机制，根据输入信息的多个尺度自适应地调整其感受野大小。设计了一种称为选择核（SK）单元的结构块，利用softmax attention 对不同核大小的多个分支进行融合。
论文解读：SKNet自适应动态选择机制，动态调整感受野尺寸
deephub
02-19 7936
在标准的卷积网络中，每层网络中神经元的感受野的大小都是相同的。在神经学中，视觉神经元感受野的大小是由刺激机制构建的，而在卷积网络中却很少考虑这个因素。本文提出的方法可以使神经元对于不同尺寸的输入信息进行自适应的调整其感受野的大小。building block为Selective Kernel单元。其存在多个分支，每个分支的卷积核的尺寸都不同。不同尺寸的卷积核最后通过softmax进行融合。分支中不同注意力产生不同的有效感受野。多个SK单元进行堆叠构成SKNet。 论文摘要 设计了一个称为选择性内核（SK.
杂谈感受野
JJprincess的博客
06-12 338
一、引言：    深度学习中，感受野是一个常见的概念，在面试中也会经常被提及，这里记录一下自己整理的相关资料。二、概念：  在卷积神经网络中，感受野的定义是卷积神经网络每一层输出的特征图（feature map）上的像素点在原始图像上映射的区域大小。  计算公式为：其中，rn代表第n层conv中，每个单元的感受野；kn表示当前层的kernel size大小；sn为stride大小，注意stride...
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