YOLOv8原创改进：一种新颖的跨通道交互的高效率通道注意力EMCA，ECA改进版
原创YOLOv8原创改进：一种新颖的跨通道交互的高效率通道注意力EMCA，ECA改进版
原创
???本文原创自研创新改进：基于ECA注意力，提出了一种新颖的EMCA注意力（跨通道交互的高效率通道注意力），保持高效轻量级的同时，提升多尺度提取能力
强烈推荐，适合直接使用，paper创新级别
??? 在多个数据集验证涨点，尤其对存在多个尺度的数据集涨点明显
1.ECA原理介绍
论文：https://arxiv.org/pdf/1910.03151.pdf
本文的贡献总结如下:
- 对SE模块进行了剖析，并分别证明了避免降维和适当的跨通道交互对于学习高性能和高效率的通道注意力是重要的。
- 在以上分析的基础上，提出了一种高效通道注意模块(ECA)，在CNN网络上提出了一种极轻量的通道注意力模块，该模块增加的模型复杂度小，提升效果显著。
- 在ImageNet-1K和MS COCO上的实验结果表明，本文提出的方法具有比目前最先进的CNN模型更低的模型复杂度，与此同时，本文方法却取得了非常有竞争力的结果。
作者设计了一个高效的channel attention机制，该方法保留了原有的通道一对一权重更新，并且通过local cross-channel interaction来提升结果。此外作者还设计了一个自动调节kernel size的机制来决定交叉学习的覆盖率。通过该ECA模块，作者在几乎一样的参数上获得了分类top-1 acc 2%的提升
?
ECA（ECA-Net）是一种新的卷积神经网络结构，它的优势在于以下几点：
- 能够有效地捕捉长距离依赖关系。ECA-Net引入了一种新的通道注意力机制，可以对不同通道的特征进行加权，从而使网络能够更好地捕捉长距离依赖关系。
- 参数量小、计算效率高。ECA-Net的参数量比传统的卷积神经网络更小，同时也能够在保证准确率的前提下大大提高计算效率。
- 可以适应不同的输入尺寸。ECA-Net可以适应不同的输入尺寸，因此在处理不同大小的图像时具有很好的适应性。
总的来说，ECA-Net是一种非常有前途的卷积神经网络结构，它具有良好的性能和高效的计算能力，可以在计算机视觉等领域得到广泛的应用。
2.EMCA改进-跨通道交互的高效率通道注意力
原理图如下：
ECA升级优化地方：增加MAP，然后和GAP进行相加操作，好处：增强全局视角信息和不同尺度大小的特征
3.EMCA加入YOLOv8
3.1新建加入ultralytics/nn/attention/EMCA.py
3.2 yolov8_EMCA_attention.yaml
# Ultralytics YOLO ?, AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect
# Parameters
nc: 80 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
# [depth, width, max_channels]
n: [0.33, 0.25, 1024] # YOLOv8n summary: 225 layers, 3157200 parameters, 3157184 gradients, 8.9 GFLOPs
s: [0.33, 0.50, 1024] # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients, 28.8 GFLOPs
m: [0.67, 0.75, 768] # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients, 79.3 GFLOPs
l: [1.00, 1.00, 512] # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPs
x: [1.00, 1.25, 512] # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs
# YOLOv8.0n backbone
backbone:
# [from, repeats, module, args]
- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4
- [-1, 3, C2f, [128, True]]
- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8
- [-1, 6, C2f, [256, True]]
- [-1, 1, Conv, [512, 3, 2]] # 5-P4/16
- [-1, 6, C2f, [512, True]]
- [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32
- [-1, 3, C2f, [1024, True]]
- [-1, 1, SPPF, [1024, 5]] # 9
- [-1, 1, EMCA_attention, [1024]] # 10
# YOLOv8.0n head
head:
- [-1, 1, nn.Upsample, [None, 2, 'nearest']]
- [[-1, 6], 1, Concat, [1]] # cat backbone P4
- [-1, 3, C2f, [512]] # 13
- [-1, 1, nn.Upsample, [None, 2, 'nearest']]
- [[-1, 4], 1, Concat, [1]] # cat backbone P3
- [-1, 3, C2f, [256]] # 16 (P3/8-small)
- [-1, 1, Conv, [256, 3, 2]]
- [[-1, 13], 1, Concat, [1]] # cat head P4
- [-1, 3, C2f, [512]] # 19 (P4/16-medium)
- [-1, 1, Conv, [512, 3, 2]]
- [[-1, 10], 1, Concat, [1]] # cat head P5
- [-1, 3, C2f, [1024]] # 22 (P5/32-large)
- [[16, 19, 22], 1, Detect, [nc]] # Detect(P3, P4, P5)
by CSDN AI小怪兽
https://blog.csdn.net/m0_63774211/category_12511737.html?spm=1001.2014.3001.5482
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。