YOLOv11改进 | 独家创新篇 | 结合iRMB和EMA形成全新的iEMA机制（全网独家创新，教你如何二次创新）

已于 2025-01-18 23:57:46 修改
阅读量2.6k 收藏 20
点赞数 16
CC 4.0 BY-SA版权
分类专栏： YOLOv11有效涨点专栏 文章标签： 深度学习 人工智能 YOLO 计算机视觉 目标检测 python YOLOv11
于 2024-11-09 02:57:07 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/143638133

一、本文介绍

本文给大家带来的最新改进机制是二次创新的机制，二次创新是我们发表论文中关键的一环，为什么这么说，从去年的三月份开始对于图像领域的论文发表其实是变难的了，在那之前大家可能搭搭积木的情况下就可以简单的发表一篇论文，但是从去年开始单纯的搭积木其实发表论文变得越来越难，所以这个时候就需要二次创新，以此来迷惑审稿人，彰显大家的工作量，所以二次创新是非常重要的一点，因为二次创新出来的模块其实基本上就可以算作一个全新的模块了，本文内容经过YOLOv8专栏很多读者反应效果很好，同时本文含如何二次创新的思路。

欢迎大家订阅我的专栏一起学习YOLO！

专栏回顾：YOLOv11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、如何进行二次创新

三、iEMA的核心代码

四、添加教程

4.1 修改一

4.2 修改二 

4.3 修改三 

4.4 修改四 

五、正式训练

5.1 yaml文件1</

了解本专栏 订阅专栏 解锁全文
YOLOv8改进 | 二次创新篇 | 结合iRMB和EMA形成全新的iEMA机制（全网独家创新）
Snu77的博客
01-11 5624
本文给大家带来的改进机制是二次创新的机制，二次创新是我们发表论文中关键的一环，为什么这么说，从去年的三月份开始对于图像领域的论文发表其实是变难的了，在那之前大家可能搭搭积木的情况下就可以简单的发表一篇论文，但是从去年开始单纯的搭积木其实发表论文变得越来越难，所以这个时候就需要二次创新，以此来迷惑审稿人，彰显大家的工作量，所以二次创新是非常重要的一点，因为二次创新出来的模块其实基本上就可以算作一个全新的模块了，这也是我的专栏和其它专栏不一样的点，我会站在如何发表论文的角度去替大家考虑，而不是单纯的发改进机制，
YOLOv8的二次创新：结合iRMB与EMA形成iEMA机制提升检测精度与稳定性【YOLOv8】
步入烟尘的博客
12-05 966
YOLOv8继承了YOLO系列的轻量化和高效检测特性，同时通过改进的架构设计使得其在实时场景下具有更高的检测精度。然而，随着检测需求的增加，尤其是在动态目标检测和长时间序列检测中，YOLOv8的鲁棒性依然可以提升。通过iEMA机制的引入，我们将在这些方面进行进一步优化。iRMB模块是我们对传统Residual Block的进一步改进。通过多层特征提取，iRMB能够捕捉更多层次的特征信息，并通过引入轻量化的残差结构，提升计算效率。
YOLOv5改进 | 二次创新篇 | 结合iRMB和EMA形成全新的iEMA机制（全网独家创新）
Snu77的博客
01-14 1128
本文给大家带来的改进机制是二次创新的机制，二次创新是我们发表论文中关键的一环，为什么这么说，从去年的三月份开始对于图像领域的论文发表其实是变难的了，在那之前大家可能搭搭积木的情况下就可以简单的发表一篇论文，但是从去年开始单纯的搭积木其实发表论文变得越来越难，所以这个时候就需要二次创新，以此来迷惑审稿人，彰显大家的工作量，所以二次创新是非常重要的一点，因为二次创新出来的模块其实基本上就可以算作一个全新的模块了，这也是我的专栏和其它专栏不一样的点，我会站在如何发表论文的角度去替大家考虑。
YOLOv8的二次创新 | 结合iRMB与EMA打造全新的iEMA机制，提升动态检测性能【附保姆级代码】
一键难忘的博客
10-10 2673
YOLOv8继承了YOLO系列的轻量化和高效检测特性，同时通过改进的架构设计使得其在实时场景下具有更高的检测精度。然而，随着检测需求的增加，尤其是在动态目标检测和长时间序列检测中，YOLOv8的鲁棒性依然可以提升。通过iEMA机制的引入，我们将在这些方面进行进一步优化。iRMB模块是我们对传统Residual Block的进一步改进。通过多层特征提取，iRMB能够捕捉更多层次的特征信息，并通过引入轻量化的残差结构，提升计算效率。
YOLOv9改进策略 | 二次创新篇 | 结合iRMB和EMA形成全新的iEMA机制（全网独家创新）
Snu77的博客
05-16 994
本文给大家带来的改进机制是二次创新的机制，二次创新是我们发表论文中关键的一环，为什么这么说，从去年的三月份开始对于图像领域的论文发表其实是变难的了，在那之前大家可能搭搭积木的情况下就可以简单的发表一篇论文，但是从去年开始单纯的搭积木其实发表论文变得越来越难，所以这个时候就需要二次创新，以此来迷惑审稿人，彰显大家的工作量，所以二次创新是非常重要的一点，因为二次创新出来的模块其实基本上就可以算作一个全新的模块了。欢迎大家订阅我的专栏一起学习YOLO！
YOLOv11改进 | 添加注意力机制 | iRMB与EMA结合（二次创新）
m0_64858060的博客
03-03 1113
YOLOv11改进 | 添加注意力机制 | iRMB与EMA结合（二次创新）
源码解析篇 | YOLO11：计算机视觉领域的新突破 ！对比YOLOv8如何 ？
突然好想你
11-04 2812
作为Ultralytics YOLO系列实时目标检测器的最新迭代，YOLO11凭借尖端的准确性、速度和效率，重新定义了性能极限，为目标检测、分割、分类、定向边界框检测以及姿态估计等多样计算机视觉任务树立了新标杆。🌈
【菜鸡读论文】Invisible emotion magnification algorithm (IEMA) for real‑time micro‑expression recognition
猫猫头的博客
11-19 485
可以看出，本算法是利用onset帧和apex帧的68个人脸地标计算放大参数以及人脸运动方向，然后将它们加到顶点帧的x和y坐标，最终生成放大后的人脸地标，以此来增强面部肌肉运动的幅度。这篇论文主要讲的就是基于人脸地标来对微表情运动进行放大，本文中会考虑在x轴、y轴还有xy轴上分别进行放大的效果，以及使用三种不同的方法去计算特征，最终会使用SVM进行分类。作者在不同的情绪图片上进行了测试，如下，可以看到surprise的变化幅度最大，这也能解释在最终分类时，surprise的分类效果最好。
【RT-DETR有效改进】反向残差块网络EMO | 一种轻量级的CNN架构（轻量化网络，参数量下降约700W）
Snu77的博客
01-28 1776
本文给大家带来的改进机制是反向残差块网络EMO，其的构成块iRMB在之前我已经发过了，同时进行了二次创新，本文的网络就是由iRMB组成的网络EMO，所以我们二次创新之后的iEMA也可以用于这个网络中，再次形成二次创新，同时本文的主干网络为一种轻量级的CNN架构。RT-DETR剑指论文专栏，持续复现各种顶会内容——论文收割机RT-DETR。
YOLOv11改进 | 细节创新篇 | 最新双时相特征聚合模块BFAM助力yolov11有效涨点（二次创新C3k2全网独家首发）
Snu77的博客
01-21 1497
本文给大家带来的最新改进机制是2024年的双时相特征聚合模块BFAM，其中双时相特征聚合模块（BFAM）基于空间-时间特征聚合多种感受野的特征，同时保留了细粒度信息和纹理信息，增强了变化检测的准确性，我将其用于二次创新yolov11中的C3k2模块，目的是为了提高了图像变化检测的准确性，解决噪声和信息丢失的问题，本文的内容为独家创新，下图为BFAM网络的结构图。欢迎大家订阅我的专栏一起学习YOLO，购买专栏读者联系读者入群获取进阶项目文件！
深刻理解深度学习的注意力机制Attention
superfreeman的专栏
06-13 882
特点说明全局建模可以一次性看全句所有词并行计算不像 RNN 要一个个处理，可以并行聚焦关键自动抓住关键内容易扩展可堆叠、可组合，非常灵活Attention 就是让模型学会“聚焦重点”的机制，就像你看书时自动划重点一样，它能帮助模型更聪明地理解输入数据的结构和语义。
基于深度学习的异常检测系统：原理、实现与应用
qq_74383080的博客
06-12 1475
深度学习技术在异常检测领域展现出显著优势，能够自动识别复杂数据中的异常模式。本文系统介绍了基于深度学习的异常检测方法，重点阐述了自编码器、LSTM等模型的实现原理，并提供了完整的代码示例。通过金融欺诈检测案例，验证了该系统95%以上的检测精度。文章指出，相比传统统计方法，深度学习能够更好地处理高维数据，且在实时监控方面表现突出。未来，随着技术发展，智能化异常检测系统将创造更大应用价值。
AI重构光芯片未来！深度学习设计衍射波导登Nature子刊，性能超越传统方案
m0_75133639的博客
06-16 438
加州大学团队在《Nature Communications》发表突破性研究，提出基于深度学习的通用衍射波导设计框架。该技术通过优化级联衍射表面的相位分布，克服传统波导在材料色散、多功能集成等方面的局限，实现了92%以上的耦合效率和99.4%的能量效率。实验验证表明，该设计可灵活实现导光、模式滤波等功能，且具有波长普适性。这一成果为光通信、AR/VR等领域带来革新，有望成为下一代光子系统的核心引擎。
深度学习02 pytorch框架
m0_54235621的博客
06-13 983
步骤:导包,创建数据,数据分批,创建模型,创建损失函数对象用于计算损失值,创建SGD优化器对象更新后续模型参数,训练模型并计算预测值和损失值,使用梯度下降逐渐减少损失值,最后得出权重w与偏差值b.torch.Tensor(data=, size=()) 既能指定数据,又能指定形状。使用arange,linspace,创建线性张量,使用rand,randn,randint创建随机或整数张量。
深度学习：张量标量概念、PyTorch张量创建、类型转换等
sulin123123的博客
06-12 1203
前一篇文章介绍了PyTorch概念，此次介绍PyTorch的。
深度学习——迁移学习(Transfer Learning)
最新发布
zdx2585503940的博客
06-16 1264
迁移学习（Transfer Learning）是机器学习中的一种方法，它允许我们将从一个任务中学到的知识应用到另一个相关但不同的任务中。就像人类能够将学习骑自行车的经验应用到学习骑摩托车上一样，迁移学习让AI模型也能实现类似的"经验迁移"。传统机器学习方法通常假设训练数据和测试数据来自相同的分布，并且每个任务都是独立学习的。而迁移学习打破了这一限制，使得知识可以在不同但相关的领域间传递。迁移学习已成为现代AI系统开发的核心技术之一，它通过利用已有知识来解决新问题，大幅降低了AI应用的门槛。
深度学习之模型压缩三驾马车：基于ResNet18的模型剪枝实战（3）
ak47maker的博客
06-12 1113
本文针对ResNet18模型提出了一种全局残差块剪枝方法，重点裁剪了layer1至layer4中的所有残差块，同时保留第一层卷积conv1以维护基础特征提取能力。文章详细阐述了剪枝策略设计原理与代码实现，通过L1范数对残差块内的卷积层进行通道剪枝，并同步调整批归一化层参数。实验结果显示，该方法在保证模型精度的同时显著减少了参数量，为深度学习模型压缩提供了有效的实践方案。（150字）
深度学习：PyTorch张量基本运算、形状改变、索引操作、升维降维、维度转置、张量拼接
sulin123123的博客
06-13 1294
另外，当张量的底层数据在内存中的存储顺序与其逻辑顺序不一致，view函数无法对这样的张量进行变形处理，例如: 一个张量经过了 transpose 或者 permute 函数的处理之后，就无法使用 view 函数进行形状操作。transpose：实现交换张量形状的指定维度, 例如: 一个张量的形状为 (2, 3, 4) ，把 3 和 4 进行交换, 将张量的形状变为 (2, 4, 3)；所有输入张量除了指定的拼接维度外，其他维度必须匹配，即指定拼接维度可不一样，其它维度必须一样。dim=0：按列计算；
irmb注意力机制结合其他注意力机制
02-25
### IRMB注意力机制与其他注意力机制的结合 #### 结合方式 IRMB（Inverted Residual Multi-Branch）注意力机制可以与多种其他类型的注意力机制相结合，以增强模型的表现力和鲁棒性。具体来说： - **与Focused Linear Attention结合**：通过引入Focused Linear Attention中的映射函数来调整查询和键的方向，使注意力权重更加明显[^1]。这种组合可以在保留IRMB多分支优势的基础上进一步提高模型对重要特征的关注度。 - **与全局分支结合**：利用全局分支中提到的长距离特征依赖关系建模方法，可以帮助IRMB更好地理解和处理图像的整体结构信息[^2]。这种方式特别适用于需要理解场景整体布局的任务，比如目标检测或语义分割。 - **与MLCA结合**：由于MLCA同时考虑了通道、空间以及局部和全局的信息，将其与IRMB结合起来可以创建一个更为全面有效的特征提取框架[^3]。这样的架构不仅能够捕捉到细粒度的空间细节，还能有效地聚合不同尺度下的有用信号。 - **与D-LKA Attention结合**：借助于D-LKA的大卷积核特性，能够在不显著增加计算成本的情况下扩展IRMB的感受野范围[^4]。这对于那些要求较高分辨率输入的应用尤其有利，例如医学影像分析或是高精度地图绘制等领域。 ```python import torch.nn as nn class CombinedAttention(nn.Module): def __init__(self, irmb_module, other_attention_type='focused_linear'): super(CombinedAttention, self).__init__() # Initialize the base IRMB module self.irmb = irmb_module if other_attention_type == 'focused_linear': from yolov8.attention import FocusedLinearAttention self.other_attn = FocusedLinearAttention() elif other_attention_type == 'global_branch': from yolov10.attention import GlobalBranchAttention self.other_attn = GlobalBranchAttention() elif other_attention_type == 'mlca': from yolov10.attention import MLCA self.other_attn = MLCA() elif other_attention_type == 'd_lka': from yolov10.attention import DLKAAattention self.other_attn = DLKAAattention() def forward(self, x): out_irmb = self.irmb(x) out_other = self.other_attn(out_irmb) return out_other ``` #### 应用场景 上述几种结合方案广泛应用于计算机视觉领域内的多个方面，包括但不限于： - 图像分类：通过对不同类型注意力机制的有效融合，提升了对于复杂背景条件下物体识别的能力。 - 目标检测：增强了对小尺寸对象及其周围环境的理解，减少了误检率并提高了定位准确性。 - 语义/实例分割：改善了边界区域像素级别的预测质量，特别是在存在遮挡情况时表现优异。 - 视频动作识别：促进了时间维度上连续帧之间关联性的学习，有助于捕捉动态变化的动作模式。
评论 1
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