本文分类:news发布日期:2026/1/15 22:57:26
打赏

相关文章

YOLOv8改进 - 注意力机制 | MSCA (Multi-Scale Convolutional Attention) 即插即用增强复杂场景小目标检测鲁棒性

前言 本文介绍了多尺度卷积注意力(MSCA)及其在YOLOv8中的结合应用。基于变换器的模型在语义分割领域占主导,但卷积注意力在编码上下文信息方面更高效。MSCA由深度卷积聚合局部信息、多分支深度卷积捕获多尺度上下文信息、11逐点卷积模拟通道…

YOLOv8改进 - 注意力机制 | CAA (Context Anchor Attention) 上下文锚点注意力增强复杂场景多尺度目标特征感知

前言 本文介绍了上下文锚点注意力(CAA)模块及其在YOLOv8中的结合应用。遥感图像目标检测面临目标尺度变化和上下文多样的挑战,PKINet引入CAA模块来应对。CAA模块先通过全局平均池化和11卷积提取局部特征,再用条带卷积捕捉远程上下…

AI驱动供应商管理,AI应用架构师引领供应链数字化变革

从“救火式”到“预判式”:AI如何重塑供应商管理?——AI应用架构师的供应链数字化变革手册 关键词 AI供应商管理、供应链数字化、AI应用架构、预测性风险评估、智能协同、机器学习模型、生成式AI 摘要 传统供应商管理如同“盲人摸象”:依赖Ex…

YOLOv8改进 - 注意力机制 | HaloNet 局部自注意力网络通过分块与扩展感受野实现高效空间交互建模

前言 本文介绍了局部自注意力机制及其在YOLOv8中的结合应用。自注意力机制有潜力提升计算机视觉系统性能,为此我们提出扩展方法并结合高效实现方式,开发了HaloNets模型家族。局部自注意力通过关注输入数据局部区域捕捉特征关系,具有计算效率…

YOLOv8改进 - 注意力机制 | MCA (Multidimensional Collaborative Attention) 多维协作注意力通过三分支结构增强通道与空间特征协同建模

前言 本文介绍了多维协作注意力(MCA)及其在YOLOv8中的结合应用。现有注意力机制方法存在忽略维度建模或计算负担重的问题,为此提出MCA,其通过三分支架构同时推断通道、高度和宽度维度注意力,几乎无额外开销。MCA关键在…

手机版浏览

扫一扫体验

微信公众账号

微信扫一扫加关注

返回
顶部