YOLOv8改进 | 注意力篇 | YOLOv8引入MLCA注意力机制

最新推荐文章于 2025-03-07 14:52:36 发布

小李学AI

最新推荐文章于 2025-03-07 14:52:36 发布

阅读量740

点赞数 2

分类专栏： YOLOv8有效涨点专栏文章标签： YOLO 深度学习计算机视觉目标检测人工智能

本文链接：https://blog.youkuaiyun.com/tsg6698/article/details/142025224

版权

YOLOv8有效涨点专栏专栏收录该内容

31 篇文章 ¥59.90 ¥99.00

订阅专栏

1. MLCA介绍

1.1 摘要：注意力机制是计算机视觉中使用最广泛的组件之一，可以帮助神经网络强调重要元素并抑制不相关的元素。然而，绝大多数信道注意力机制只包含信道特征信息，忽略了空间特征信息，导致模型表示效果或目标检测性能较差，且空间注意力模块往往复杂且成本高昂。为了在性能和复杂度之间取得平衡，该文提出一种轻量级的混合局部信道注意力（MLCA）模块来提高目标检测网络的性能，该模块可以同时结合信道信息和空间信息，以及局部信息和全局信息，以提高网络的表达效果。在此基础上，提出了一种用于比较各种注意力模块性能的MobileNet-Attention-YOLO（MAY）算法。在Pascal VOC和SMID数据集上，MLCA在模型表示效果、性能和复杂性之间实现了更好的平衡，而不是其他注意力技术。在PASCAL VOC数据集上采用挤压和激励（SE）注意力机制，在SIMD数据集上采用坐标注意力（CA）方法，mAP分别提高了1.0%和1.5%。

官方论文地址：https://www.sciencedirect.com/science/article/abs/pii/S0

了解本专栏