【YOLOv12改进trick】三重注意力TripletAttention引入YOLOv12中，实现遮挡目标检测涨点，含创新点Python代码，方便发论文

最新推荐文章于 2025-07-31 11:20:34 发布
最新推荐文章于 2025-07-31 11:20:34 发布
阅读量1.2k 收藏 8
点赞数 17
CC 4.0 BY-SA版权
分类专栏： YOLOv12改进trick 文章标签： 深度学习 计算机视觉 人工智能 YOLO 网络 python 三重注意力
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/qq_38308388/article/details/146074331

🍋改进模块🍋：三重注意力机制（TripletAttention）
🍋解决问题🍋：TripletAttention模块解决了传统注意力机制在计算注意力权重时未能充分捕捉跨维度交互的问题。
🍋改进优势🍋：几乎不增加额外的可学习参数，涨点很明显
🍋适用场景🍋：小目标检测、遮挡目标检测等
🍋思路来源🍋：WACV2021《MRotate to Attend: Convolutional Triplet Attention Module》

目录

🔔🔔1.设计动机

🍉🍉2.三重注意力机制（TripletAttention）模块优势

👍轻量级设计

👍高效的跨维度交互

👍广泛的适用性

👍显著的性能提升

🏆🏆3.TripletAttention结构

🐸输入张量

🐸三个分支

🐸输出

 👍👍4.将TripletAttention引入YOLOv12的python代码修改

🍂修改处一

🍂修改处二

🍂修改处三

🍂修改处四

👍👍5.成功训练后的网络结构截图

整理不易，欢迎一键三连！！！

送你们一条

了解本专栏 订阅专栏 解锁全文 超级会员免费看
UNet 改进：添加TripletAttention注意力机制
Henry的博客
04-08 1082
它通过交叉维度的交互来捕获空间和通道间的依赖关系，同时保持了较低的计算复杂度。TripletAttention通过创新的三维注意力机制，在保持计算效率的同时有效提升了模型的特征表示能力。其独特的跨维度交互设计使其成为许多视觉任务的理想选择，特别是在资源受限的应用场景中。通过卷积层生成注意力图：A_i = σ(Conv(Z)) ∈ ℝ^{1×H'×W'}将注意力图应用于旋转后的输入：Y_i = A_i ⊗ X_rot。在编码器的第一个下采样层前之后，加入本文的模块。：同时捕获通道间和空间位置间的依赖关系。
YOLOv9改进策略 | 添加注意力篇 | TripletAttention三重注意力机制（附代码+机制原理+添加教程）
Snu77的博客
04-24 2217
本文给大家带来的改进是三重注意力机制。这个机制，它通过三个不同的视角来分析输入的数据，就好比三个人从不同的角度来观察同一幅画，然后共同决定哪些部分最值得注意。三重注意力机制的主要思想是在网络中引入了一种新的注意力模块，这个模块包含三个分支，分别关注图像的不同维度。比如说，一个分支可能专注于图像的宽度，另一个分支专注于高度，第三个分支则聚焦于图像的深度，即色彩和纹理等特征。这样一来，网络就能够更全面地理解图像内容，就像是得到了一副三维眼镜，能够看到图片的立体效果一样。
YOLO12 改进、魔改｜直方图 Transformerm模块HTB ，通过动态范围特征分组、针对性注意力与多尺度融合，提高对遮挡以及多尺度目标的关注能力
最新发布
qq_64693987的博客
07-31 695
本文提出了一种面向恶劣天气图像恢复的HistogramTransformerBlock（HTB）方法。HTB通过动态范围直方图自注意力（DHSA）机制将特征按强度分组处理，有效捕捉长距离相似退化特征；结合动态范围卷积和双尺度门控前馈网络（DGFF），在保持计算效率的同时提升对雨雪雾等天气干扰的特征提取能力。实验表明，HTB在目标检测和分割任务中能显著改善恶劣天气下的性能，特别是增强了对模糊边界和小目标的识别能力。文章还详细介绍了将HTB集成到YOLOv12模型的具体实现步骤，包括代码修改和配置文件调整方法，
YOLOv8中加入使用三分支结构捕捉交叉维度交互来计算注意权重的注意力机制TripletAttention
分享一些自己改进代码的实例
12-22 1673
在yolov8原结构中加入TirpletAttention注意力机制，助力涨点！！！！！！
YOLOV8改进：TripletAttention | 即插即用的轻量级注意力机制
2201_76125261的博客
10-04 828
由于注意机制具有在通道或空间位置之间建立相互依赖关系的能力，近年来在各种计算机视觉任务中得到了广泛的研究和应用。在本文中，我们研究了轻量级但有效的注意机制，并提出了三重注意，这是一种利用三分支结构捕获跨维交互来计算注意权重的新方法。对于输入张量，三元组注意力通过旋转操作建立维度间依赖关系，然后进行残差变换，并以可忽略不计的计算开销对通道间和空间信息进行编码。我们的方法简单高效，可以作为附加模块轻松插入经典骨干网。
YOLO11改进|注意力机制篇|引入三重注意力机制Triplet Attention
A1983Z的博客
10-13 1419
YOLO11中添加三重注意力机制TripletAttention
目标检测YOLO实战应用案例100讲-基于YOLOv3的目标检测研究及改进（论文篇）（续）
qq_36130719的博客
04-18 325
目标检测作为计算机视觉的基础，在医疗事业、交通检测、信息安全等领域都有所应用，如自动驾驶[6-7]、人脸识别[8-9]、医学影像检测[10-11]等。1.自动驾驶自动驾驶是当前视觉研究的热点，该技术要求车辆可以通过对路况的分析及时向驾驶员提供可能发生的一些隐患，免除因驾驶员个人因素或突发情况导致的交通事故，而且随着目标检测在交通领域的不断发展创新，车辆可以实时反映当前路况信息给交通指挥者，使得交通指挥者可以及时采取相应措施缓解道路拥堵的现象，进一步提高人们的出行体验。
【YOLOv7/YOLOv5系列改进NO.52】融入YOLOv8中的C2f模块
m0_70388905的博客
01-12 7102
涨点明显！将YOLOv8中的C2f模块融入YOLOv5
CSDN独家原创《芒果YOLO改进高阶指南》适用YOLOv5、YOLOv7、YOLOv8等改进专栏，来自人工智能专家老师联袂推荐
包括YOLOv5、YOLOv7、YOLOv8等模型改进
03-26 9816
YOLO改进高阶指南｜适用于YOLOv5、YOLOv7、YOLOv8等YOLO系列模型改进
实时目标检测YOLO系列之YOLOv4
weixin_45614254的博客
08-10 4180
论文地址：https://arxiv.org/abs/2004.10934v1 Abstract： 1. 基本介绍 （1）介绍 （2）原理 （3）成就 （4）创新点 2. 网络结构及trick分析 （1）检测流程 （2）Backbone （3）Bounding Box Prediction （4）Class Prediction （5）Predictions Across Scales 3. 损...
YOLOv8改进 | 注意力机制 | 添加TripletAttention三重注意力机制（附代码+机制原理+添加教程）
Snu77的博客
12-06 6934
本文给大家带来的改进是Triplet Attention三重注意力机制。这个机制，它通过三个不同的视角来分析输入的数据，就好比三个人从不同的角度来观察同一幅画，然后共同决定哪些部分最值得注意。三重注意力机制的主要思想是在网络中引入了一种新的注意力模块，这个模块包含三个分支，分别关注图像的不同维度。比如说，一个分支可能专注于图像的宽度，另一个分支专注于高度，第三个分支则聚焦于图像的深度，即色彩和纹理等特征。这样一来，网络就能够更全面地理解图像内容，就像是得到了一副三维眼镜，能够看到图片的立体效果一样。
triplet-attention:PyTorch的“轮值参加”的官方实施
03-19
摘要-得益于在通道或空间位置之间建立相互依存的能力，注意力机制最近得到了广泛的研究，并广泛用于各种计算机视觉任务中。在本文中，我们研究了轻量但有效的注意力机制，并提出了三重态注意力，这是一种通过使用三分支结构捕获跨维度交互来计算注意力权重的新方法。对于输入张量，三重态注意力通过旋转操作和残差变换来建立维度间的依存关系，并以可忽略的计算开销对通道间和空间信息进行编码。我们的方法既简单又有效，并且可以轻松地作为附加模块插入经典骨干网。我们证明了我们的方法在各种挑战性任务中的有效性，包括ImageNet-1k上的图像分类以及MSCOCO和PASCAL VOC数据集上的目标检测。此外，我们通过肉眼检查GradCAM和GradCAM ++结果，提供了对三重态注意力表现的广泛了解。对我们的方法进行的经验评估支持我们的直觉，即在计算注意力权重时捕获跨维度的依存关系的重要性。 图1.三重注意模块的结构设计
YOLOv9改进 添加三分支注意力机制TripletAttention
分享一些自己改进代码的实例
03-12 713
在yolov9原结构中加入TirpletAttention注意力机制，助力涨点
YOLOv10改进 | 注意力篇 | YOLOv10引入TripletAttention三重注意力机制
tsg6698的博客
06-27 460
在本文中，我们研究了轻量但有效的注意机制，并提出了一种新的方法--三重注意，通过使用三分支结构捕获交叉维度的交互来计算注意权重。我们在各种具有挑战性的任务上展示了我们的方法的有效性，包括在ImageNet-1k上的图像分类以及在MSCOCO和Pascal VOC数据集上的目标检测。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv10改进有效涨点专栏，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~
Triplet Attention -接近无参注意力| Rotate to Attend: Convolutional Triplet Attention Module
热门推荐
weixin_42096202的博客
10-08 2万+
https://arxiv.org/pdf/2010.03045.pdf
YOLOv5改进 | TripletAttention三重注意力机制（附代码+机制原理+添加教程）
Snu77的博客
12-19 3007
本文给大家带来的改进是三重注意力机制。这个机制，它通过三个不同的视角来分析输入的数据，就好比三个人从不同的角度来观察同一幅画，然后共同决定哪些部分最值得注意。三重注意力机制的主要思想是在网络中引入了一种新的注意力模块，这个模块包含三个分支，分别关注图像的不同维度。比如说，一个分支可能专注于图像的宽度，另一个分支专注于高度，第三个分支则聚焦于图像的深度，即色彩和纹理等特征。这样一来，网络就能够更全面地理解图像内容，就像是得到了一副三维眼镜，能够看到图片的立体效果一样。⭐⭐⭐⭐。
VGG 改进：添加Triplet Attention模块
Henry的博客
01-23 141
在问答的上下文中，锚向量表示问题，正向量表示包含答案的段落，负向量表示不包含答案的随机段落。通过包含正向量和负向量，TripletAttention机制学会关注文章中有助于回答问题的相关信息，并忽略负面文章中的无关信息。它不仅使用查询、键和值向量，还包括三种不同类型的向量：锚向量、正向量和负向量。它是传统自我注意机制的延伸，也称为变压器注意。总的来说，TripletAttention是一种强大的注意力机制，它利用额外的信息来提高神经网络在问答和其他自然语言处理任务中的性能。想要完整的分类代码，请参考。
Vgg 改进：添加TripletAttention模块减少冗余计算
Henry的博客
03-09 292
TripletAttention 是一种用于计算机视觉任务的注意力机制，旨在减少冗余计算和同时存储访问，从而提高模型的效率和性能。它通过引入三元组（Triplet）结构来优化注意力机制的计算过程。核心思想：TripletAttention 的核心思想是通过将输入特征图分成三个部分（即三元组），并在每个部分上分别计算注意力权重，从而减少计算复杂度和存储访问的冗余。具体来说，TripletAttention 将输入特征图分为三个通道组，并在每个组上独立计算注意力权重，最后将这些权重合并以生成最终的注意力图。
VisionTransformer改进（3）：Triplet Attention模块增强
2401_82355416的博客
04-24 267
这段代码实现了一个改进版的Vision Transformer模型，主要包含两个核心部分：​​TripletAttention模块​​：一个创新的注意力机制，同时考虑通道、高度和宽度三个维度的注意力​​改进的ViT模型​​：在标准ViT的卷积投影层后添加TripletAttention模块。
yolov7改进涨点trick
11-02
根据提供的引用内容，YOLOv7的改进涨点trick是WIoU v3。WIoU v3在训练过程中有效地屏蔽了许多负面影响，因此模型的精度可以更快地提高。具体来说，WIoU v3是一种新的损失函数，它使用了一种新的交并比（IoU）计算...
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

zy_destiny

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