Pointnet++改进即插即用系列：全网首发OREPA在线重新参数化卷积,替代普通卷积 |即插即用，提升特征提取模块性能
简介：1.该教程提供大量的首发改进的方式，降低上手难度，多种结构改进，助力寻找创新点！2.本篇文章对Pointnet++特征提取模块进行改进，加入OREPA，提升性能。3.专栏持续更新，紧随最新的研究内容。 目录 1.理论介绍 2.修改步骤 2.1 步骤一 2.2 步骤二 2.3 步骤三...
YOLOv9改进策略：注意力机制 | 多维协作注意模块MCA，暴力涨点，效果秒杀ECA、SRM、CBAM等 | 即插即用系列，原创独家首发
💡💡💡本文改进内容：多维协作注意模块MCA，暴力涨点，效果秒杀ECA、SRM、CBAM，创新性十足，可直接作为创新点使用。 改进结构图如下： 《YOLOv9魔术师专栏》将从以下各个方向进行创新： 【原创自研模块】【多组合点优化】【注意力机制】【卷积魔改】【block&多尺度融合结合】【损失&IOU优化】【上下采样优化 】【SPPELAN & RepNCSPELAN4优化】【小目标性能提升】【前沿...
YoloV8改进策略：BackBone改进|GCNet（独家原创）
中取得巨大成功，为了提高原始架构的精度，已经进行了许多尝试[18,26,27,10,37,15,34,14,43,13,40,11,4,42,19,2,24,31,35,6]。网络设计的一个重要方向是改进基本组件的功能公式，以提升深度网络的性能。ResNeXt[34]和Xception[3]采用分组卷积来增加基数。可变形卷积网络（Deformable ConvNets）[4, 42]设计了可变形卷积以...
YOLOv9改进策略 ：注意力机制 | 注意力机制与卷积的完美融合 | 最新移动端高效网络架构 CloFormer
💡💡💡本文改进内容： 引入CloFormer 中的 AttnConv，上下文感知权重使得模型能够更好地适应输入内容。相比于局部自注意力机制，引入共享权重使得模型能够更好地处理高频信息，从而提高性能。 💡💡💡注意力机制与卷积的完美融合 AttnConv | 亲测在多个数据集能够实现涨点 改进结构图如下： 《YOLOv9魔术师专栏》将从以下各个方向进行创新： 【原创自研模块】【多组合点优化】...
YOLOv9改进策略 ：卷积魔改 | 感受野注意力卷积运算（RFAConv）
💡💡💡本文改进内容：感受野注意力卷积运算（RFAConv），解决卷积块注意力模块（CBAM）和协调注意力模块（CA）只关注空间特征，不能完全解决卷积核参数共享的问题 💡💡💡使用方法：代替YOLOv9中的卷积，使得更加关注感受野注意力，提升性能 💡💡💡RFAConv| 亲测在多个数据集能够实现大幅涨点，有的数据集达到3个点以上 改进结构图如下： 《YOLOv9魔术师专栏》将从以下各个方向进行创新：...
YoloV8改进策略：BackBone改进|EfficientVMamba（独家原创）
摘要 本文使用EfficientVMamba的主干网络替代YoloV8的主干网络，实现涨点。Mamba是今年比较火的主干网络，使用Mamba改进的论文比较容易被顶会接收，如果有发论文的同学，非常推荐使用。 论文：《EfficientVMamba：轻量级视觉Mamba的空洞选择性扫描》 https://arxiv.org/pdf/2403.09977.pdf 先前的轻量级模型开发努力主要集中在基于CN...
YOLOv9改进策略 ：主干优化 | ConvNeXtV2：适应自监督学习，让 CNN “再一次强大”？
💡💡💡本文改进内容：完全卷积掩码自编码器框架 ConvNeXt V2，它显著提高了纯convnet在各种识别基准上的性能，包括ImageNet分类，COCO目标检测和ADE20k分割。还提供了各种尺寸的预训练ConvNeXt v2模型，从而在ImageNet上具有76.7%精度的3.7M Atto model和88.9%精度的650M huge model。 改进结构图如下...
YoloV8改进策略：Neck和Head改进|ECA-Net：用于深度卷积神经网络的高效通道注意力|多种改进方法|附结构图
摘要 本文使用ECA-Net注意力机制加入到YoloV8Neck和Head中。我尝试了多种改进方法，并附上改进结果，方便大家了解改进后的效果，为论文改进提供思路。 论文：《ECA-Net：用于深度卷积神经网络的高效通道注意力》 arxiv.org/pdf/1910.03151.pdf 最近，通道注意机制已被证明在改善深度卷积神经网络（CNN）的性能方面具有巨大潜力。然而，大多数现有方法致力于开发更复...
YOLOv9改进策略：IoU优化 | Wasserstein Distance Loss，助力小目标涨点
💡💡💡本文独家改进：基于Wasserstein距离的小目标检测评估方法 Wasserstein Distance Loss | 亲测在多个数据集能够实现涨点，对小目标、遮挡物性能提升明显 💡💡💡MS COCO和PASCAL VOC数据集实现涨点 YOLOv9魔术师专栏 ☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️ ☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁...
YOLOv8-Seg改进：多创新点魔改设计 | 双层路由注意（BRA）+广义特征金字塔网络（GFPN）+多头检测器，全面提升检测精度
🚀🚀🚀本文改进：设计了一种提供了新颖的YOLO改进网络，其中三个优化点为：1）CVPR2023双层路由注意（BRA）；2）广义特征金字塔网络（GFPN）3）多头检测头整合到YOLOV8中； 🚀🚀🚀脑肿瘤检测数据集BR35H上MAP50绝对提高了4.7% 结构图如下： 🚀🚀🚀YOLOv8-seg创新专栏：http://t.csdnimg.cn/KLSdv 学姐带你学习YOLOv8，从入门到创新，轻轻...