成都建站费用,羊绒制品有限公司网站建设论文,土巴兔装修,网站维护内容及费用模型结构
尽管在卷积神经网络#xff08;CNN#xff09;中使用自底向上的局部运算符可以很好地匹配自然图像的某些统计信息#xff0c;但它也可能阻止此类模型捕获上下文的远程特征交互。Hu等人提出了一种简单#xff0c;轻量级的方法#xff0c;以在CNN中更好地利用上下…模型结构
尽管在卷积神经网络CNN中使用自底向上的局部运算符可以很好地匹配自然图像的某些统计信息但它也可能阻止此类模型捕获上下文的远程特征交互。Hu等人提出了一种简单轻量级的方法以在CNN中更好地利用上下文。通过引入一对运算符来做到这一点Gather可以有效地在很大的空间范围内聚合特征响应而Excite可以将合并的信息重新分布到局部特征。GatherExcite构造了一个轻量级函数来收集大范围邻域上的特征响应并使用所得到的上下文信息来调制邻域元素的原始响应。具体地说其定义了Gather算子和Excite算子前者聚集给定空间范围上的神经元响应后者接受聚集和原始输入以产生与原始输入维度相同的新张量。GE算符对如图1所示。
实现代码
GatherExcite的实现代码如下所示
YOLOv5模型改进
本文在YOLOv5目标检测算法的Backbone和Head部分分别加入GatherExcite来增强目标提取能力以下分别是在Backbone以及Head中改进的模型结构和参数以YOLOv5s为例。 在Backbone部分
在Head部分 总结
为了高效利用CNN中的特征上下文GatherExcite被提出大量实验证明该方法在多个数据集和模型体系结构中的有效性。此外GatherExcite可进一步应用于YOLOv7、YOLOv8等模型中欢迎大家关注本博主的微信公众号 BestSongC后续更多的资源如模型改进、可视化界面等都会在此发布。另外本博主最近也在MS COCO数据集上跑了一些YOLOv5的改进模型实验表明改进后的模型能在MS COCO 2017验证集上分别涨点1-3%感兴趣的朋友关注后回复YOLOv5改进。
