YOLOv13改进：轻量化卷积魔改 | 新的partial convolution（PConv）结合C3k2 | CVPR2023

于 2025-07-15 12:57:28 发布
阅读量23 收藏 1
点赞数 1
CC 4.0 BY-SA版权
分类专栏： YOLOv13魔术师 文章标签： YOLO 机器学习 深度学习 人工智能 目标检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_63774211/article/details/149351521

  💡💡💡本文解决什么问题：新的partial convolution（PConv），通过同时减少冗余计算和内存访问可以更有效地提取空间特征。

PConv和C3k2 结合  |   轻量化的同时在数据集并有小幅涨点；

改进结构图如下：

  《YOLOv13魔术师专栏》将从以下各个方向进行创新：

链接：

 

了解本专栏 订阅专栏 解锁全文
【YOLOv8改进 - 注意力机制】NAM：基于归一化的注意力模块，将权重稀疏惩罚应用于注意力机制中，提高效率性能
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
06-30 624
识别较不显著的特征是模型压缩的关键。然而，这在革命性的注意力机制中尚未被研究。在这项工作中，我们提出了一种新颖的基于归一化的注意力模块（NAM），该模块抑制了较不显著的权重。它对注意力模块施加了权重稀疏惩罚，从而使其在保留相似性能的同时变得更具计算效率。在Resnet和Mobilenet上与其他三种注意力机制的比较表明，我们的方法可以带来更高的准确性。本文的代码可以在https://github.com/Christian-lyc/NAM公开获取。
YOLOv10涨点改进：轻量化卷积魔改 | 新的partial convolution（PConv）结合C2f | CVPR2023
06-12 810
新的partial convolution（PConv）结合C2f | CVPR2023
如何用自己的数据集训练YOLOv13（NEU-DET为案列展开）
最新发布
06-26 1141
如何用自己的数据集训练YOLOv13，在NEU-DET任务中不使用预训练模型，YOLOv13原始mAP50为0.742；使用预训练模型，YOLOv13原始mAP50为0.762
NAM: Normalization-based Attention Module，一种新的注意力计算方式，无需额外的参数...
AI公园
12-20 5560
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶”导读本文介绍了一种新的计算注意力的方式，相比于之前的注意力机制，无需额外的全连接，卷积等额外的计算和参数，直接使用BN中的缩放因此...
引入NAMAttention注意力机制
huizi1997的博客
04-24 971
作为当前先进的深度学习目标检测算法YOLOv7，已经集合了大量的trick，但是还是有提高和改进的空间，针对具体应用场景下的检测难点，可以不同的改进方法。此后的系列文章，将重点对YOLOv7的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效果提供自己的微薄帮助和参考。
YOLOv8改进 - 注意力篇 - 引入NAM注意力机制
浪子L的博客
10-28 1557
YOLOv8改进 - 注意力篇 - 引入NAM注意力机制
YOLO11涨点优化：轻量化卷积魔改 | 新的partial convolution（PConv）结合C3k2 | CVPR2023
10-12 690
新的partial convolution（PConv），通过同时减少冗余计算和内存访问可以更有效地提取空间特征。
YOLOV12涨点优化：轻量化卷积魔改 | 新的partial convolution（PConv）结合A2C2f | CVPR2023
03-05 230
PConv和A2C2f结合  |   轻量化的同时在数据集并有小幅涨点；
YOLOv8改进 | 卷积模块 | 减少冗余计算和内存访问的PConv【CVPR2023】
kay_545
07-02 2754
yolov8，pconv，yolov8改进
YOLOv10涨点改进：自研检测头 | 独家创新（Partial_C_v10Detect）检测头结构创新，实现涨点
06-13 2013
独家创新（Partial_C_v10Detect）检测头结构创新，实现涨点
YOLOv5、v7改进之三十六：融入NAM注意力机制
m0_70388905的博客
10-18 4664
YOLOv5、v7改进之三十五：引入NAM注意力机制。关注免费领取深度学习算法学习资料！
深度学习论文: NAM: Normalization-based Attention Module及其PyTorch实现
mingo_敏
12-01 4077
深度学习论文: NAM: Normalization-based Attention Module及其PyTorch实现 NAM: Normalization-based Attention Module PDF: https://arxiv.org/pdf/2111.12419.pdf PyTorch代码: https://github.com/shanglianlm0525/CvPytorch PyTorch代码: https://github.com/shanglianlm0525/PyTorch-N
ResNet改进(12)：添加 NAMAttention 轻量级注意力机制
2401_82355416的博客
03-25 395
NAMAttention (Normalization-based Attention Module) 是一种基于归一化的轻量级注意力机制，它通过利用通道和空间维度上的归一化权重来增强特征表示。最终的特征图通过通道和空间注意力权重共同调整：Y = X ⊙ W_c ⊙ W_s。其中 γ_BN 和 β_BN 是BN层的可学习参数，σ 是sigmoid函数。计算通道权重：W_c = σ(γ_BN * X_BN + β_BN)计算空间权重：W_s = σ(γ_GN * X_GN + β_GN)
YOLOv9全网最新改进系列：YOLOv9完美融合标准化的注意力模块NAM，高效且轻量级的归一化注意力机制，助力目标检测再上新台阶！
B站 Ai学术叫叫兽的文案地
05-08 1328
YOLOv9全网最新改进系列：YOLOv9完美融合标准化的注意力模块NAM，高效且轻量级的归一化注意力机制，助力目标检测再上新台阶！
改进YOLOv5、YOLOv8系列：20.添加GAMAttention注意力机制
热门推荐
包括YOLOv5、YOLOv7、YOLOv8等模型改进
08-24 1万+
目标检测科研Trick改进推荐 | 包括Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数
【YOLOv11改进 - 注意力机制】NAM：基于归一化的注意力模块，将权重稀疏惩罚应用于注意力机制中，提高效率性能
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
10-21 1538
【YOLOv11改进 - 注意力机制】NAM：基于归一化的注意力模块，将权重稀疏惩罚应用于注意力机制中，提高效率性能
2021NIPS | 即插即用,标准化注意力机制NAM
u011447962的博客
12-01 1万+
NAM: Normalization-based Attention Module paper:https://arxiv.org/pdf/2111.12419.pdf code:https://github.com/Christian-lyc/NAM 摘要 注意机制是近年来人们普遍关注的研究兴趣之一。它帮助深度神经网络抑制较不显著的像素或通道。以往的许多研究都集中于通过注意力操作来捕捉显著特征。这些方法成功地利用了不同特征维度上的互信息。然而，它们没有考虑到权重的贡献因素，...
论文阅读NAM:Normalization-based Attention Module
m0_73832962的博客
02-26 2083
卷积块注意力模块（CBAM） (Woo et al. [2018]) 提供了一种按顺序嵌入通道和空间注意力子模块的解决方案，为了避免忽视跨维度交互，三重注意力模块（TAM）) (Misra et al. [2021]) 通过旋转特征图来考虑维度相关性。因此，我们的目标是通过利用训练的模型权重的方差测量来突出显著特征。在这项工作中，我们提出了一种新的基于归一化的注意力模块（NAM），它抑制了不太显著的权重。与Resnet和Mobilenet上的其他三种注意力机制的比较表明，我们的方法具有更高的准确性。
【Yolov5】涨点亲测有效，Yolov5添加PSA极化自注意力机制
qq:1115926058
02-04 4339
Yolov5添加PSA极化注意力机制，助力实验涨点！主要用于目标检测、图像语义分割、人体姿态识别等
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI小怪兽

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值