做任务的正规网站,wordpress主题邮件模板下载,7一12岁手工科技小发明,网络营销是什么大类目录 1.Yolov8介绍
2.野外火灾烟雾数据集介绍 3.CPCA介绍
3.1 CPCA加入到yolov8 4.训练结果分析
5.系列篇 1.Yolov8介绍 Ultralytics YOLOv8是Ultralytics公司开发的YOLO目标检测和图像分割模型的最新版本。YOLOv8是一种尖端的、最先进的#xff08;SOTA#xff09;模型SOTA模型它建立在先前YOLO成功基础上并引入了新功能和改进以进一步提升性能和灵活性。它可以在大型数据集上进行训练并且能够在各种硬件平台上运行从CPU到GPU。
具体改进如下 Backbone使用的依旧是CSP的思想不过YOLOv5中的C3模块被替换成了C2f模块实现了进一步的轻量化同时YOLOv8依旧使用了YOLOv5等架构中使用的SPPF模块 PAN-FPN毫无疑问YOLOv8依旧使用了PAN的思想不过通过对比YOLOv5与YOLOv8的结构图可以看到YOLOv8将YOLOv5中PAN-FPN上采样阶段中的卷积结构删除了同时也将C3模块替换为了C2f模块 Decoupled-Head是不是嗅到了不一样的味道是的YOLOv8走向了Decoupled-Head Anchor-FreeYOLOv8抛弃了以往的Anchor-Base使用了Anchor-Free的思想 损失函数YOLOv8使用VFL Loss作为分类损失使用DFL LossCIOU Loss作为分类损失 样本匹配YOLOv8抛弃了以往的IOU匹配或者单边比例的分配方式而是使用了Task-Aligned Assigner匹配方式 框架图提供见链接Brief summary of YOLOv8 model structure · Issue #189 · ultralytics/ultralytics · GitHub
2.野外火灾烟雾数据集介绍
数据集大小737张train:val:test 随机分配为7:2:1类别smoke 3.CPCA介绍 论文[2306.05196] Channel prior convolutional attention for medical image segmentation (arxiv.org)
摘要本文提出了一种高效的通道先验卷积注意力CPCA方法支持注意力权重在通道和空间维度上的动态分布。 通过采用多尺度深度卷积模块可以有效地提取空间关系同时保留通道先验。 CPCA具备聚焦信息渠道和重要区域的能力。 基于 CPCA 提出了一种用于医学图像分割的分割网络 CPCANet。 CPCANet 在两个公开可用的数据集上进行了验证。 通过与最先进的算法进行比较CPCANet 提高了分割性能同时需要更少的计算资源。
现有研究问题点
虽然 CBAM 整合了通道注意和空间注意但它在其输出特征的所有通道上强制执行一致的空间注意分布。相反SE图 1(a)只整合了通道注意这限制了它选择重要区域的能力。
本文创新
如图 1(c) 所示作者提出了一种新的通道优先卷积注意力Channel Prior Convolutional AttentionCPCA方法采用多尺度的深度可分离卷积模块构成空间注意力可以在通道和空间维度上动态分配注意权重。 图3通道先验卷积注意力CPCA的整体结构包括通道注意力和空间注意力的顺序放置。特征图的空间信息是由通道注意力通过平均池化和最大池化等操作来聚合的。 随后空间信息通过共享 MLP多层感知器进行处理并添加以生成通道注意力图。 通道先验是通过输入特征和通道注意力图的元素相乘获得的。 随后通道先验被输入到深度卷积模块中以生成空间注意力图。 卷积模块接收空间注意力图以进行通道混合。 最终通过通道混合结果与通道先验的逐元素相乘获得细化的特征作为输出。 通道混合过程有助于增强特征的表示
3.1 CPCA加入到yolov8
核心代码
###################### CPCAAttention #### start by AICV ###############################class CPCAChannelAttention(nn.Module):def __init__(self, input_channels, internal_neurons):super(CPCAChannelAttention, self).__init__()self.fc1 nn.Conv2d(in_channelsinput_channels, out_channelsinternal_neurons, kernel_size1, stride1, biasTrue)self.fc2 nn.Conv2d(in_channelsinternal_neurons, out_channelsinput_channels, kernel_size1, stride1, biasTrue)self.input_channels input_channelsdef forward(self, inputs):x1 F.adaptive_avg_pool2d(inputs, output_size(1, 1))# print(x:, x.shape)x1 self.fc1(x1)x1 F.relu(x1, inplaceTrue)x1 self.fc2(x1)x1 torch.sigmoid(x1)x2 F.adaptive_max_pool2d(inputs, output_size(1, 1))# print(x:, x.shape)x2 self.fc1(x2)x2 F.relu(x2, inplaceTrue)x2 self.fc2(x2)x2 torch.sigmoid(x2)x x1 x2x x.view(-1, self.input_channels, 1, 1)return x###################### CPCAAttention #### end by AICV ###############################
核心代码YoloV8优化通道优先卷积注意力效果秒杀CBAM和SE等 | 即插即用系列_AI小怪兽的博客-CSDN博客 4.训练结果分析
训练结果如下
原始mAP0.5 0.839提升至0.890 YOLOv8_CPCAChannelAttention summary (fused): 171 layers, 3137427 parameters, 0 gradients, 7.8 GFLOPsClass Images Instances Box(P R mAP50 mAP50-95): 67%|██████▋ | 2/3 [00:2200:11, 11.59s/it]WARNING NMS time limit 1.500s exceededClass Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 3/3 [00:2800:00, 9.40s/it]all 148 148 0.92 0.854 0.89 0.547
5.系列篇
1基于Yolov8的野外烟雾检测
2基于Yolov8的野外烟雾检测2多维协作注意模块MCA| 2023.9最新发布
3基于Yolov8的野外烟雾检测3动态蛇形卷积实现暴力涨点 | ICCV2023
4基于Yolov8的野外烟雾检测4通道优先卷积注意力CPCA | 中科院2023最新发表
