一、本文介绍
本文记录的是基于MCA注意力模块的YOLOv8目标检测改进方法研究。普通的轴向注意力难以实现长距离交互,不利于捕获分割任务中所需的空间结构或形状,而MCA注意力模块通过构建了两个并行轴向注意力之间的交互,更有效地利用多尺度特征和全局上下文,在改进YOLOv8的过程中,能够契合目标形态,更有效的获取目标的全局信息。
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、MCANet原理
MCANet:基于多尺度交叉轴关注的医学图像分割
MCANet(Medical Image Segmentation with Multi - Scale Cross - Axis Attention)是一种用于医学图像分割的网络,其核心组件是多尺度交叉轴注意力(Multi - Scale Cross - Axis Attention,MCA)。
2.1 MCA的原理:
- 回顾轴向注意力:
- 轴向注意力将自注意力分解为两个部分,分别负责沿水平或垂直维度计算自注意力,基于此,
Axial - DeepLab可沿水平和垂直方向依次聚合特征,使捕获全局信息成为可能。 - 轴向注意力比自注意力更高效,计算复杂度从 O ( H W × H W ) O(HW \times HW)
- 轴向注意力将自注意力分解为两个部分,分别负责沿水平或垂直维度计算自注意力,基于此,
订阅专栏 解锁全文
555



被折叠的 条评论
为什么被折叠?



