admin管理员组文章数量:1487745
YoloV8改进策略：基于自研的图注意力机制改进
摘要
SE注意力机制是一种通过显式建模卷积特征的信道之间相互依赖性的方法，旨在提高网络产生的表示的质量。SE注意力机制包括两个步骤：Squeeze和Excitation。在Squeeze步骤中，通过全局平均池化操作将输入特征图压缩成一个向量，然后通过一个全连接层将其映射到一个较小的向量。在Excitation步骤中，使用一个sigmoid函数将这个向量中的每个元素压缩到0到1之间，并将其与原始输入特征图相乘，得到加权后的特征图。通过SE注意力机制，模型可以自适应地学习到每个通道的重要性，从而提高模型的表现能力。
图卷积是一种用于处理图结构数据的卷积操作。与传统的卷积操作不同，图卷积的输入是一个图形，包含节点和边，而不是一个二维或三维的张量。图卷积的目的是通过学习节点之间的关系来进行特征提取和分类等任务。具体来说，图卷积可以聚合邻近节点的特征，对更新后的节点特征进行激活函数操作，从而进行特征提取和分类。
我们将二者结合会怎么样呢？
代码语言：javascript代码运行次数：0运行复制.2014.3001.5501YoloV8官方结果
代码语言：javascript代码运行次数：0运行复制YOLOv8l summary (fused): 268 layers, 43631280 parameters, 0 gradients, 165.0 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 29/29 [
all 230 1412 0.922 0.957 0.986 0.737
c17 230 131 0.973 0.992 0.995 0.825
c5 230 68 0.945 1 0.995 0.836
helicopter 230 43 0.96 0.907 0.951 0.607
c130 230 85 0.984 1 0.995 0.655
f16 230 57 0.955 0.965 0.985 0.669
b2 230 2 0.704 1 0.995 0.722
other 230 86 0.903 0.942 0.963 0.534
b52 230 70 0.96 0.971 0.978 0.831
kc10 230 62 0.999 0.984 0.99 0.847
command 230 40 0.97 1 0.995 0.811
f15 230 123 0.891 1 0.992 0.701
kc135 230 91 0.971 0.989 0.986 0.712
a10 230 27 1 0.555 0.899 0.456
b1 230 20 0.972 1 0.995 0.793
aew 230 25 0.945 1 0.99 0.784
f22 230 17 0.913 1 0.995 0.725
p3 230 105 0.99 1 0.995 0.801
p8 230 1 0.637 1 0.995 0.597
f35 230 32 0.939 0.938 0.978 0.574
f18 230 125 0.985 0.992 0.987 0.817
v22 230 41 0.983 1 0.995 0.69
su-27 230 31 0.925 1 0.995 0.859
il-38 230 27 0.972 1 0.995 0.811
tu-134 230 1 0.663 1 0.995 0.895
su-33 230 2 1 0.611 0.995 0.796
an-70 230 2 0.766 1 0.995 0.73
tu-22 230 98 0.984 1 0.995 0.831
Speed: 0.2ms preprocess, 3.8ms inference, 0.0ms loss, 0.8ms postprocess per image
改进一
测试结果
代码语言：javascript代码运行次数：0运行复制YOLOv8l summary (fused): 340 layers, 44360368 parameters, 0 gradients, 165.3 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 15/15 [00:06<00:00, 2.22it/s]
all 230 1412 0.941 0.962 0.99 0.729
c17 230 131 0.983 0.977 0.995 0.814
c5 230 68 0.987 1 0.995 0.834
helicopter 230 43 0.957 0.953 0.969 0.557
c130 230 85 0.965 0.969 0.989 0.635
f16 230 57 0.987 0.93 0.972 0.635
b2 230 2 0.842 1 0.995 0.589
other 230 86 0.9 0.944 0.967 0.504
b52 230 70 0.964 0.971 0.977 0.806
kc10 230 62 0.992 0.984 0.989 0.814
command 230 40 0.98 0.975 0.995 0.816
f15 230 123 0.976 0.989 0.993 0.679
kc135 230 91 0.967 0.978 0.987 0.699
a10 230 27 1 0.768 0.97 0.531
b1 230 20 0.989 1 0.995 0.719
aew 230 25 0.912 1 0.993 0.803
f22 230 17 0.951 1 0.995 0.696
p3 230 105 0.998 0.99 0.995 0.807
p8 230 1 0.762 1 0.995 0.697
f35 230 32 0.983 0.969 0.993 0.568
f18 230 125 0.978 0.992 0.992 0.812
v22 230 41 0.985 1 0.995 0.701
su-27 230 31 0.986 1 0.995 0.826
il-38 230 27 0.975 1 0.995 0.786
tu-134 230 1 0.617 1 0.995 0.895
su-33 230 2 1 0.585 0.995 0.849
an-70 230 2 0.782 1 0.995 0.796
tu-22 230 98 0.993 1 0.995 0.814
Speed: 0.2ms preprocess, 23.5ms inference, 0.0ms loss, 0.6ms postprocess per image
改进二
测试结果
代码语言：javascript代码运行次数：0运行复制 YOLOv8l summary (fused): 304 layers, 43934384 parameters, 0 gradients, 165.1 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 15/15 [00:04<00:00, 3.20it/s]
all 230 1412 0.957 0.978 0.991 0.733
c17 230 131 0.957 0.992 0.989 0.819
c5 230 68 0.959 0.941 0.988 0.818
helicopter 230 43 0.955 0.981 0.981 0.619
c130 230 85 1 0.974 0.995 0.66
f16 230 57 0.967 0.965 0.982 0.665
b2 230 2 0.875 1 0.995 0.597
other 230 86 0.968 0.977 0.98 0.561
b52 230 70 0.971 0.972 0.976 0.832
kc10 230 62 1 0.978 0.99 0.849
command 230 40 0.952 1 0.995 0.844
f15 230 123 0.99 1 0.995 0.706
kc135 230 91 1 0.986 0.991 0.721
a10 230 27 1 0.752 0.976 0.436
b1 230 20 0.982 0.95 0.982 0.731
aew 230 25 0.944 1 0.995 0.791
f22 230 17 0.971 1 0.995 0.778
p3 230 105 1 0.987 0.995 0.799
p8 230 1 0.797 1 0.995 0.697
f35 230 32 0.948 0.969 0.991 0.568
f18 230 125 0.992 0.986 0.993 0.834
v22 230 41 0.991 1 0.995 0.685
su-27 230 31 0.972 1 0.995 0.851
il-38 230 27 0.985 1 0.995 0.84
tu-134 230 1 0.794 1 0.995 0.895
su-33 230 2 1 1 0.995 0.585
an-70 230 2 0.862 1 0.995 0.796
tu-22 230 98 0.997 1 0.995 0.819
Speed: 0.2ms preprocess, 14.0ms inference, 0.0ms loss, 0.7ms postprocess per image
本文标签： YoloV8改进策略基于自研的图注意力机制改进
版权声明：本文标题：YoloV8改进策略：基于自研的图注意力机制改进 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://www.betaflare.com/shuma/1754668895a3176165.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。
发表评论