YOLOv9改进策略【Conv和Transformer】| Conv2Former 通过卷积调制操作简化自注意力机制，利用简单高效的大核卷积提高网络性能

Limiiiing

已于 2024-10-11 15:36:47 修改

阅读量778

点赞数 21

CC 4.0 BY-SA版权

分类专栏： YOLOv9改进专栏文章标签： transformer YOLO 目标检测计算机视觉

于 2024-09-24 09:15:13 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/142451952

YOLOv9改进专栏专栏收录该内容

56 篇文章 ¥69.90 ¥99.00

订阅专栏

一、本文介绍

本文记录的是利用Conv2Former优化YOLOv9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：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

一、本文介绍
二、Conv2Former介绍
三、Conv2Former的实现代码
四、添加步骤
五、yaml模型文件
- 5.1 模型改进版本一
- 5.2 模型改进版本二⭐
六、成功运行结果

了解本专栏

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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

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。