YOLOv9改进策略【卷积层】| GnConv：一种通过门控卷积和递归设计来实现高效、可扩展、平移等变的高阶空间交互操作

已于 2024-10-11 15:35:56 修改
阅读量1.5k 收藏 16
点赞数 52
CC 4.0 BY-SA版权
分类专栏： YOLOv9改进专栏 文章标签： YOLO 目标检测 计算机视觉 深度学习
于 2024-09-17 20:49:31 首次发布
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_42591591/article/details/141787872

一、本文介绍

本文记录的是利用GnConv优化YOLOv9的目标检测方法研究。YOLOv9在进行目标检测时，需要对不同层次的特征进行融合。GnConv可以考虑更高阶的空间交互，能够更好地捕捉特征之间的复杂关系，从而增强特征融合的效果，提高模型对目标的检测能力。

专栏目录：YOLOv9改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

专栏地址：YOLOv9改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！

文章目录

二、HorN

了解本专栏 订阅专栏 解锁全文
YOLOv11改进策略【卷积层】| GnConv：一种通过门控卷积和递归设计来实现高效、可扩展、平移等变的高阶空间交互操作
Limiiiing的博客
10-12 536
HorNet： 利用递归门控卷积实现高效高阶空间交互GnConv（Recursive Gated Convolution，递归门控卷积）
YOLOv10改进策略【卷积层】| GnConv：一种通过门控卷积和递归设计来实现高效、可扩展、平移等变的高阶空间交互操作
Limiiiing的博客
11-05 381
HorNet： 利用递归门控卷积实现高效高阶空间交互GnConv（Recursive Gated Convolution，递归门控卷积）
YOLOv7改进之二十二：涨点神器——引入递归门控卷积（gnConv）
热门推荐
m0_70388905的博客
08-03 2万+
YOLOv5主干特征提取网络为CNN网络，CNN具有平移不变性和局部性，缺乏全局建模长距离建模的能力，引入自然语言处理领域的框架Transformer来形成CNN+Transformer架构，充分两者的优点，提高目标检测效果，本人经过实验，对小目标以及密集预测任务会有一定的提升效果。作为当前先进的深度学习目标检测算法YOLOv5，已经集合了大量的trick，但是还是有提高和改进的空间，针对具体应用场景下的检测难点，可以不同的改进方法。最后，希望能互粉一下，做个朋友，一起学习交流。平台回复不及时欢迎添加。..
【模块】GNConv卷积模块
2301_77549977的博客
02-23 315
论文《GCNet: Non-local Networks Meet Squeeze-Excitation Networks and Beyond》
YOLOv11 改进策略 | GnConv：高阶空间交互的门控递归卷积
最新发布
走向CTO的路上...
04-24 796
传统的卷积神经网络（CNN）主要通过低阶的空间交互（即卷积核与输入特征图的局部加权求和）来提取特征。这种方式对于简单的模式识别有效，但在处理更复杂的视觉信息，例如物体各部分之间的复杂关系、纹理细节的高阶组合等时，可能难以有效地捕捉。GnConv（Gated and Recursive Convolution）是一种假设的、旨在实现高效、可扩展、平移等变的高阶空间交互的卷积操作。它结合了门控机制和递归设计，使得卷积能够在空间维度上进行更复杂、更具表达力的特征学习。
YOLOv5改进 | 卷积模块 | 即插即用的递归门控卷积gnConv
kay_545
07-27 1508
yolov5，gnConv，yolov5改进
YOLOv12改进策略【卷积层】| GnConv：一种通过门控卷积和递归设计来实现高效、可扩展、平移等变的高阶空间交互操作
Limiiiing的博客
03-13 223
HorNet： 利用递归门控卷积实现高效高阶空间交互GnConv（Recursive Gated Convolution，递归门控卷积）
YOLOv8改进策略【卷积层】| GnConv：一种通过门控卷积和递归设计来实现高效、可扩展、平移等变的高阶空间交互操作
Limiiiing的博客
12-13 146
HorNet： 利用递归门控卷积实现高效高阶空间交互GnConv（Recursive Gated Convolution，递归门控卷积）
YOLOv8改进，YOLOv8引入GnConv递归门控卷积，二次创新C2f结构
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
11-16 265
gnConv 是一种高效的空间交互操作，通过递归门控卷积实现长距离和高阶的空间交互。其核心思想是通过使用标准卷积、线性投影和逐元素乘法，模拟自注意力中的输入自适应空间混合，但具有更低的计算复杂度。输入自适应的空间交互在传统的卷积神经网络中，卷积操作是通过固定的卷积核对邻域进行加权求和，从而聚合邻域特征。这种方法的缺点是，卷积核是固定的，不具备自适应的能力。与此不同，gnConv 引入了自适应的空间交互，类似于 Transformer 中的自注意力机制。
【即插即用】GnConv递归门控卷积（附源码）
weixin_45694817的博客
03-29 3510
最近，视觉Transformer在各种任务中取得了巨大成功，这主要得益于基于点积自注意力的新型空间建模机制。在本文中，我们发现视觉Transformer的关键要素，即输入自适应、长距离和高阶空间交互，也可以高效地在基于卷积的框架中实现。我们提出了一种递归门控卷积（gnConv），它利用门控卷积和递归设计实现高阶空间交互。这种新操作高度灵活且可定制，能与各种卷积变体兼容，并将自注意力中的二阶交互扩展到任意阶，而不会引入大量额外计算。
递归门控卷积HorNet（gn_conv）阅读笔记
qq_42075634的博客
09-02 8745
HorNet: Efficient High-Order Spatial Interactions with Recursive Gated Convolutions ECCV2022 程序 视觉 Transformers 的最新进展在基于点积 self-attention 的新空间建模机制驱动的各种任务中取得了巨大成功。在本文中，我们展示了视觉 Transformer 背后的关键要素，即输入自适应、远程和高阶空间交互，也可以通过基于卷积的框架有效实现。我们提出了递归门控卷积（gnConv），它通过门控卷
#今日论文推荐#gnConv打造新视觉主干家族：HorNet
w1hsxn的博客
08-19 587
代码刚刚开源！
涨点神器！gnConv打造新视觉主干家族：HorNet
阿木寺的博客
08-18 3999
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达作者：夙曦 |已授权转载（源：知乎）编辑：CVerhttps://zhuanlan.zhihu.com/p/553143354HorNet: Efficient High-Order Spatial Interactions with Recursive Gated Convolutions代码：https://github....
YOLOv5、YOLOv8改进：gnconv 门控递归卷积
weixin_45303602的博客
09-01 1256
论文地址：https://arxiv.org/abs/2207.14284代码地址：https://github.com/raoyongming/HorNet视觉Transformer的最新进展表明，在基于点积自注意力的新空间建模机制驱动的各种任务中取得了巨大成功。在本文中，作者证明了视觉Transformer背后的关键成分，即输入自适应、长程和高阶空间交互，也可以通过基于卷积的框架有效实现。作者提出了递归门卷积（g n Conv），它用门卷积和递归设计进行高阶空间交互。
yolov5创新 C3GN：引荐HorNet递归门控卷积GnConv重构目标检测颈部网络
weixin_44782087的博客
08-27 8480
yolov5创新 C3GN：引荐HorNet递归门控卷积GnConv重构目标检测颈部网络
YOLO算法改进Backbone系列之:HorNet
sc1434404661的博客
04-16 847
在本文中，我们展示了视觉变形器背后的关键要素，即输入自适应、长距离和高阶空间交互，也可以通过基于卷积的框架有效实现。在ImageNet分类、COCO物体检测和ADE20K语义分割方面的大量实验表明，在整体架构和训练配置相似的情况下，HorNet的性能明显优于Swin Transformers和ConvNeXt。我们的研究结果表明，gnConv 可以成为视觉建模的一个新的基本模块，它有效地结合了视觉变换器和CNN的优点。(b) 动态卷积操作借助动态权重，考虑周边的区域的信息交互，使得模型性能更强。
RT-DETR改进策略【卷积层】| GnConv：一种通过门控卷积和递归设计来实现高效、可扩展、平移等变的高阶空间交互操作
Limiiiing的博客
11-25 665
HorNet： 利用递归门控卷积实现高效高阶空间交互GnConv（Recursive Gated Convolution，递归门控卷积）
YOLOv10改进，YOLOv10引入GnConv递归门控卷积，二次创新C2f结构
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
11-20 227
gnConv 是一种高效的空间交互操作，通过递归门控卷积实现长距离和高阶的空间交互。其核心思想是通过使用标准卷积、线性投影和逐元素乘法，模拟自注意力中的输入自适应空间混合，但具有更低的计算复杂度。输入自适应的空间交互在传统的卷积神经网络中，卷积操作是通过固定的卷积核对邻域进行加权求和，从而聚合邻域特征。这种方法的缺点是，卷积核是固定的，不具备自适应的能力。与此不同，gnConv 引入了自适应的空间交互，类似于 Transformer 中的自注意力机制。
yolov7引入递归门控卷积
09-06
YOLOv7引入了递归门控卷积（gnConv）来改善目标检测效果。主干特征提取网络为CNN网络，而CNN具有平移不变性和局部性，但缺乏全局建模长距离建模的能力。为了解决这个问题，YOLOv7引入了自然语言处理领域的框架Transformer，并将其与CNN网络相结合形成了CNN Transformer架构。 通过引入递归门控卷积（gnConv），YOLOv7实现了高阶空间交互。gnConv是一种门控卷积和递归设计，它具有高度的灵活性和可定制性，并能够将自注意力中的二阶交互扩展到任意阶，而不会引入大量额外的计算。这使得gnConv可以作为一个即插即用的模块来改进各种视觉Transformer和基于卷积的模型。 通过引入递归门控卷积，YOLOv7能够充分利用CNN和Transformer两者的优点，提高目标检测的效果。特别是对于小目标以及密集预测任务，经过实验表明，YOLOv7引入递归门控卷积能够产生一定的提升效果。同时，这种改进方法不仅适用于YOLOv7，也可以应用于其他的YOLO网络以及目标检测网络，如YOLOv6、v4、v3、Faster RCNN、SSD等。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [YOLOv7改进之二十二：涨点神器——引入递归门控卷积（gnConv）](https://blog.csdn.net/m0_70388905/article/details/126142505)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]
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

Limiiiing

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