一、本文介绍
本文记录的是利用MLCA模块优化YOLOv8的目标检测网络模型。MLCA (Mixed Local Channel Attention)的作用在于同时包含了通道信息和空间信息,克服了常见通道注意力方法只考虑通道关系而忽略空间信息的问题。相比一些只提供全局长程信息的方法,能更好地表达网络特征。本文将其加入到YOLOv8的不同位置中,综合多种信息,更好地突出重要特征,从而提升模型对物体检测的表达能力。
专栏目录:YOLOv8改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
文章目录
二、混合局部通道注意力介绍
Mixed local channel attention for object detection
2.1 出发点
- 多数通道注意力方法忽略空间特征信息,而包含空间信息的注意力方法计算和参数要求过高,不适合轻量级网络,且一些简单方法虽能减少参数并包含空间和通道信息,但排除了局部信息。为实现检测效果、速度和模型参数数量之间的平衡,并使注意力机制同时包含通道、空间、局部通道和全局通道信息,提出了
MLCA模块。
2.2 原理
2.2.1 输入特征向量处理
MLCA的输入特征向量会进行两步池化。首先通过局部池化将输入转化为 1 ∗ C ∗ k s ∗ k s 1*C*ks*ks 1
订阅专栏 解锁全文
4279



被折叠的 条评论
为什么被折叠?



