一、本文介绍
本文记录的是利用SENet V2 模块模块优化YOLOv8的目标检测网络模型。SENet V2在V1的基础上引入多分支密集层,同时包含了通道信息和全局信息,克服了传统卷积神经网络在全局表示学习不足以及V1本身可优化空间的问题。本文将其加入到YOLOv8的不同位置中,并进行二次创新,充分发挥SE V2模块的性能。
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、SENet V2介绍
SENetV2: Aggregated dense layer for channelwise and global representations
1. 模块设计出发点
- 现有技术的局限性
- CNN的空间学习优势与全局学习不足:卷积神经网络(CNNs)在学习局部感受野内的空间相关性方面表现出色,但在学习全局表示方面相对不足。例如在图像分类任务中,虽然能提取局部特征,但对于整体的图像类别特征把握可能不够全面。
- SENet的改进空间:
SENet通过挤压和激励操作增强了通道表示,但仍有可优化之处。
- 借鉴其他成功架构的思路
- Inception模块的多分支卷积优势:
Inception模块采用多分支卷积,不同分支使用不同尺寸的滤波器,最后拼接,能在降低理论复杂度的同时提高性能。这种多分支结构启发了新模块设计,使其能够更好地学习不同尺度的特征。 - ResNeXt的聚合模块思想:
ResNeXt引入了聚合残差模块和“基数”概念,减少了理论复杂度并提升
- Inception模块的多分支卷积优势:
订阅专栏 解锁全文
1477



被折叠的 条评论
为什么被折叠?



