YOLOv11改进策略【Neck】| GSConv+Slim Neck：混合深度可分离卷积和标准卷积的轻量化网络设计
一、本文介绍 本文记录的是利用GsConv优化YOLOv11的颈部网络。深度可分离卷积（DSC）在轻量级模型中被广泛使用，但其在计算过程中会分离输入图像的通道信息，导致特征表示能力明显低于标准卷积（SC），而GsConv采用混合策略，使DSC的输出通过打乱特征更接近SC，从而优化模型的性能。本文利用GsConv+Slim Neck改进YOLOv11的颈部网络，==使其在提升特征表示能力的同时降低....
YOLOv11改进策略【模型轻量化】| PP-LCNet：轻量级的CPU卷积神经网络
一、本文介绍 本文记录的是利用PP-LCNet中的DepSepConv模块优化YOLOv11中的C3k2。本文利用DepSepConv模块改善模型结构，使模型在几乎不增加延迟的情况下提升网络准确度。 模型 参数量 计算量 推理速度 YOLOv11m 20.0M 67.6GFLOPs 3.5ms Im...
YOLOv11改进策略【Conv和Transformer】| TPAMI-2024 Conv2Former 利用卷积调制操作和大核卷积简化自注意力机制，提高网络性能
一、本文介绍 本文记录的是利用Conv2Former优化YOLOv11的目标检测网络模型。Transformer通过自注意力机制能够获取全局信息，但资源占用较大。卷积操作资源占用较少，但只能根据卷积核的大小获取局部信息。Conv2Former==通过卷积调制操作简化了自注意力机制，更有效地利用了大核卷积，在视觉识别任务中表现出较好的性能。== 专栏目录：YOLOv11改进目录一览 | 涉及卷积.....
【YOLOv11改进 - 注意力机制】SimAM：轻量级注意力机制，解锁卷积神经网络新潜力
介绍 摘要 在本文中，我们提出了一种概念上简单但非常有效的卷积神经网络（ConvNets）注意力模块。与现有的通道注意力和空间注意力模块不同，我们的模块为特征图推断3D注意力权重，而无需向原始网络添加参数。具体来说，我们基于一些知名的神经科学理论，提出通过优化能量函数来找出每个神经元的重要性。我们进一步推导出一个快速的闭式解，并展示该解可以在不到十行代码中实现。该模块的另一个优点是大多数操作符.....
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。
网络更多卷积相关
域名解析DNS
关注DNS行业趋势、技术、标准、产品和最佳实践，连接国内外相关技术社群信息，追踪业内DNS产品动态，加强信息共享，欢迎大家关注、推荐和投稿。
+关注