最新发布SPAB模块，YOLOv5改进之SPAB

已于 2023-11-29 20:42:05 修改
阅读量348 收藏
点赞数
分类专栏： YOLO系列改进 文章标签： YOLO 人工智能 深度学习 计算机视觉 python
于 2023-11-28 10:10:15 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/weixin_47060902/article/details/134660722
版权
本文介绍了在YOLOv5中应用SPAB（Swift无参数注意网络）模块，这是一种用于图像超分辨率的高效模型，旨在解决传统注意机制的复杂性和参数过多问题。SPAN通过新颖的无参数注意机制提升性能，实现参数、速度和质量的平衡。实验结果显示，SPAN在多个基准测试中表现出色，适合资源受限场景。提供了代码和在YOLOv5中的应用说明。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录

一、原理

二、代码

 三、应用到YOLOv5


一、原理

单幅图像超分辨率(SISR)是低分辨率计算机视觉中的一项重要任务，旨在从低分辨率图像中重建高分辨率图像。传统的注意机制虽然显著提高了SISR的性能，但往往导致网络结构复杂、参数过多，导致推理速度慢、模型规模大。为了解决这个问题，我们提出了Swift无参数注意网络(SPAN)，这是一个高效的SISR模型，可以平衡参数计数、推理速度和图像质量。

SPAN采用一种新颖的无参数注意机制，利用对称激活函数和剩余连接增强高贡献信息，抑制冗余信息。我们的理论分析证明了这种设计在实现注意机制目的方面的有效性。我们在多个基准测试中评估了SPAN，表明它在图像质量和推理速度方面优于现有的高效超分辨率模型，实现了显著的质量和速度权衡。这使得SPAN非常适合于现实世界的应用程序，特别是在资源受限的场景中。<

了解本专栏 订阅专栏 解锁全文
YoloV5改进策略：Swift Parameter-free Attention，无参注意力机制，超分模型的完美迁移
m0_47867638的博客
12-05 2071
SPAN是一种超分网络模型。SPAN模型通过使用参数自由的注意力机制来提高SISR的性能。这种注意力机制能够增强重要信息并减少冗余，从而在图像超分辨率过程中提高图像质量。
轻量级超分辨网络公式推导：Span-net
qq_41659440的博客
08-25 227
13、佐治亚理工学院、中国小米公司共同提出：Swift Parameter-free Attention 人类注意力模型上的璀璨皇冠
mantoudamahou的博客
11-28 2649
本文由美国佐治亚理工学院和小米公司于2023.11.21日，共同在《Electrical Engineering and Systems Science》期刊上发表，佐治亚学院也称乔治亚学院，与麻省理工、加州理工学院并称美国三大理工学院，被誉为美国“公立常春藤”，全球高校QS-2023第12位，THE-2023榜单第11位。目前全网没有对该模型进行解读的，老样子，我先来，占个原创版权。
简单说下YOLOv1、v2、v3、v4各自的特点与发展史
niuyunpang的博客
03-30 3240
文章目录 一、任务描述 二、设计思想 三、发展历程 YOLOv1 YOLOv2 YOLOv3 YOLOv4 四、总结 一、任务描述 目标检测是为了解决图像里的物体是什么，在哪里的问题。输入一幅图像，输出的是图像里每个物体的类别和位置，其中位置用一个包含物体的框表示。 简单说下YOLOv1,v2,v3,v4各自的特点与发展史 需要注意，我们的目标，同时也是论文中常说的感兴趣的物体，指我们关心的类别（行人检测只检测人，交通检测只关心交通工具等），或者数据集包含的类别，并不是图像里所有的物体都
Poly-YOLO：更快，更精确的检测（主要解决Yolov3两大问题，附源代码）
gzq0723的博客
10-29 1128
关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq学习群｜扫码在主页获取加入方式论文地址：https://arxiv.org/pdf/2005.13243....
RTDETR改进专栏(包含RTDETR、YOLOV5-DETR、YOLOV8-DETR)
热门推荐
qq_37706472的博客
01-28 3万+
RTDETR改进专栏(性价比高，创新度高)，目前RTDETR改进已经有230+个改进点！
[yolov11改进系列]基于yolov11引入轻量高效动态上采样算子DySample提升小目标检测能力的python源码+训练源码
FL1623863129的博客
06-04 722
YOLO11 是Ultralytics YOLO 系列实时物体检测器的最新版本，以尖端的精度、速度和效率重新定义了可能性。基于先前 YOLO 版本的令人印象深刻的进步，YOLO11 在架构和训练方法方面引入了重大改进，使其成为各种计算机视觉任务的多功能选择。
YOLOv8 移动端升级：借助 GhostNetv2 主干网络，实现高效特征提取
shrgegrb的博客
05-31 794
本文提出一种基于GhostNetv2改进YOLOv8目标检测主干网络的方法。GhostNetv2作为轻量级CNN架构，通过Ghost模块生成特征图并引入硬件友好的注意力机制，显著降低了计算复杂度。我们将YOLOv8原有的CSPDarknet53主干替换为GhostNetv2，同时保留多尺度特征提取能力。实现方案包括DFC注意力模块和GhostBottleneckV2结构，在参数量和计算量大幅减少的同时保持了检测精度，特别适合移动端和嵌入式设备部署。实验表明，改进后的模型在保持YOLOv8检测性能的同时，计算
[yolov11改进系列]基于yolov11引入迭代注意力特征融合iAFF的python源码+训练源码
FL1623863129的博客
06-01 803
YOLO11 是Ultralytics YOLO 系列实时物体检测器的最新版本，以尖端的精度、速度和效率重新定义了可能性。基于先前 YOLO 版本的令人印象深刻的进步，YOLO11 在架构和训练方法方面引入了重大改进，使其成为各种计算机视觉任务的多功能选择。
[yolov11改进系列]基于yolov11引入深度可分卷积与多尺度卷积的结合MSCB的python源码+训练源码
FL1623863129的博客
06-04 900
YOLO11 是Ultralytics YOLO 系列实时物体检测器的最新版本，以尖端的精度、速度和效率重新定义了可能性。基于先前 YOLO 版本的令人印象深刻的进步，YOLO11 在架构和训练方法方面引入了重大改进，使其成为各种计算机视觉任务的多功能选择。
[yolov11改进系列]基于yolov11引入多尺度空洞注意力MSDA的python源码+训练源码
FL1623863129的博客
06-01 670
YOLO11 是Ultralytics YOLO 系列实时物体检测器的最新版本，以尖端的精度、速度和效率重新定义了可能性。基于先前 YOLO 版本的令人印象深刻的进步，YOLO11 在架构和训练方法方面引入了重大改进，使其成为各种计算机视觉任务的多功能选择。
yolov8添加注意力机制
m0_37302966的博客
05-30 331
yolov8添加注意力机制
[yolov11改进系列]基于yolov11引入可变形注意力DAttention的python源码+训练源码
FL1623863129的博客
06-01 616
YOLO11 是Ultralytics YOLO 系列实时物体检测器的最新版本，以尖端的精度、速度和效率重新定义了可能性。基于先前 YOLO 版本的令人印象深刻的进步，YOLO11 在架构和训练方法方面引入了重大改进，使其成为各种计算机视觉任务的多功能选择。
YOLOv5 ：训练自己的数据集
weixin_44523812的博客
06-02 845
**🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/rnFa-IeY93EpjVu0yzzjkw) 中的学习记录博客**- **🍖 原作者：[K同学啊](https://mtyjkh.blog.youkuaiyun.com/)**我们接着上一篇文章配置完YOLOv5需要的环境后，今天我们试着用YOLOv5训练自己的数据集。
yolo个人深入理解
2301_79164062的博客
06-01 414
而yolov8进行了创新,取消了一个CBS,而是更新了c2f,cbs之后进行split分层进行三层BottleNeck特征提取,这是针对于两者不同的理解.卷积层的理解，通过云端服务器训练模型，模型构建的重要性，针对极低像素的处理，模型训练召回率提高技巧，卷积层2,4,8，16,32的小模型与大模型的理解。5.所谓冻结骨干与注意力机制的添加过于玄学，大部分模型都可以通过黄金样本解决，只有样本标注都没有问题在考虑注意力方面。2.训练样本的准确性，制造黄金样本，所谓黄金样本就是目标工件的准确性，无异议性。
YOLO11改进-mamba-引入 Hybrid Module 提升复制场景下的多尺度 小目标问题，减少噪声
qq_64693987的博客
06-03 988
本文提出一种结合Transformer与Mamba的混合模型HybridModule，用于改进YOLOv11目标检测性能。该模型通过Transformer的自注意力机制实现补丁级全局语义理解，同时利用Mamba的线性计算复杂度捕获像素级长程依赖，形成双层次交互学习框架。实验表明，该改进有效提升了小目标检测精度和复杂场景下的上下文关联能力。文章详细介绍了将HybridModule集成到YOLOv11的具体实现步骤，包括代码修改、模型配置和训练流程，为相关研究提供了可复现的技术方案。
yolov8中的rtdetr-l.yaml 和RT-detr
最新发布
2301_79164062的博客
06-04 118
YOLOv8 是 Ultralytics 开发的基于 PyTorch 的目标检测框架，其文件是对 RT-DETR 的。
[yolov11改进系列]基于yolov11引入高效坐标注意力机制CoordAttention的python源码+训练源码
FL1623863129的博客
05-31 717
YOLO11 是Ultralytics YOLO 系列实时物体检测器的最新版本，以尖端的精度、速度和效率重新定义了可能性。基于先前 YOLO 版本的令人印象深刻的进步，YOLO11 在架构和训练方法方面引入了重大改进，使其成为各种计算机视觉任务的多功能选择。
YOLOv11改进 | Conv/卷积篇 | 全维度动态卷积ODConv与二次创新C3k2助力YOLOv11有效涨点
weixin_39818775的博客
06-01 678
全维度动态性：核/空间/通道/输入四重自适应多尺度协同：通过C3k2整合不同感受野高效计算：注意力机制实现智能资源分配显著性能提升：COCO mAP提升4.5%实验表明，该改进对小目标检测尤为有效(mAP提升7.4%)，同时保持了合理的计算开销增长。这种动态卷积与架构创新的结合为目标检测模型设计提供了新思路，其模块化特性也便于迁移到其他视觉任务中。未来工作将聚焦于动态机制的自动化和硬件友好性优化。
Yolov8的详解与实战-深度学习目标检测
OICQQ67658008的博客
05-31 746
摘要： YOLOv8是Ultralytics公司推出的目标检测新版本，在YOLOv5基础上进行多项改进：采用C2F模块轻量化Backbone、优化PAN-FPN结构、使用解耦头设计、引入Anchor-Free机制，并改进损失函数（VFL分类损失+DFL回归损失）。模型提供从n到x五种规格，在COCO数据集上mAP和参数量均有所提升。文章详细解析了C2F模块结构、损失函数原理及头部设计变化，并提供了COCO数据集训练和自定义数据集（Labelme格式）的完整实践流程
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

这糖有点苦

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