目录 1.ASFF介绍 2.ASFF加入Yolov5提升检测精度2.1ASFF加入common.py中：2.2ASFF加入yolo.py中： 2.3修改yolov5s_asff.yaml2.4与cbam结合进一步提升检测精度1.ASFF介绍 LearningSpatial Fusion forSingle-ShotObjectDetection论文地址：https://arxiv.org/pdf/1911.09516v2.pdf 多尺度特征特别是特征金字塔FPN是解决目标检测中跨尺度目标的最常用有效的解决方法，但是不同特征尺度中存在的不一致性限制了（基于特征金字塔的）single-shot
💡💡💡本文摘要：一种基于YOLO改进的高效且轻量级的表面缺陷检测，在NEU-DET和GC10-DET任务中涨点明显目录1.轻量且高效的YOLO1.1SCRB介绍1.1.1 ScConv介绍 1.2 GSConvns 1.3 od_mobilenetv2_0501.4 对应yaml2.实验结果3.源码获取1.轻量且高效的YOLO轻量且高效的YOLO网络结构1.1SCRB介绍 其实ScConv和Bottleneck的基础上，和C3进行结合。1.1.1 ScConv介绍原文链接：Yolov8引入CVPR2023SCConv：空间和通道重建卷积，即插即用，助力检测_scconv2023-CSDN博客
文章目录ACmix网络理论简介YOLOv7集成ACmix修改结构配置yaml文件修改common.py文件修改yolo.py文件利用yolov7_acmix.yaml训练模型ACmix网络理论简介ACmix是卷积网络和transformer两种强大的网络优势的集合，具有较低的计算开销，同时也能提升网络性能，在卷积网络和transformer各行其是的今天，是一种融合两种优势的不错方法。首先，通过使用1X1卷积对输入特征进行映射，获得丰富的中间特征集；然后，按照不同的模式(分别以Self-Attention方式和卷积方式)重用和聚合中间特征。主要贡献：1.揭示了Self-Attention和卷积
关注“PandaCVer”公众号>>>深度学习Tricks，第一时间送达???NEW！！！魔改YOLOv5/v7目标检测算法来啦~计算机视觉——致力于目标检测领域科研Tricks改进与推荐|主要包括Backbone、Neck、Head、普通注意力机制、自注意力机制Transformer、Swin Transformerv2，各种IoULoss损失函数、NMS及各类激活函数替换、轻量化网络改进、数据增强策略以及其他视觉顶会创新点改进等等。相关代码咨询的小伙伴可在CSDN/Q
目录1.BiFormer介绍 2.基于Yolov5的BiFormer实现2.1BiFormer加入common.py中2.2 BiFormer加入yolo.py中：2.3 yolov5s_BiLevelRouting
1.论文简介 论文：https://arxiv.org/pdf/2208.03641v1.pdfgithub：SPD-Conv/YOLOv5-SPDatmain·LabSAINT/SPD-Conv·GitHub摘要：卷积神经网络(CNNs)在计算即使觉任务中如图像分类和目标检测等取得了显著的成功。然而，当图像分辨率较低或物体较小时，它们的性能会灾难性下降。这是由于现有CNN常见的设计体系结构中有缺陷，即使用卷积步长和/或池化层，这导致了细粒度信息的丢失和较低效的特征表示的学习。为此，我们提出了一个名为SPD-Conv的新的CNN构建块来代替每个卷积步长和每个池化层(因此完全消除了它们)。SP
1.钢铁缺陷数据集介绍NEU-DET钢材表面缺陷共有六大类，分别为：'crazing','inclusion','patches','pitted_surface','rolled-in_scale','scratches'每个类别分布为：训练结果如下：2.基于yolov5s的训练map值： 2.1 Inception-MetaNeXtStage对应博客：https://cv2023.blog.csdn.net/article/details/129946896?spm=1001.2014.3001.55
论文地址： https://arxiv.org/pdf/2303.16900.pdf代码： GitHub-sail-sg/inceptionnext:InceptionNeXt:WhenInceptionMeetsConvNeXt单位：NUS,SeaAILab(颜水成等人)1. InceptionNeXt介绍摘要：受ViT的long-range建模能力的启发，大核卷积来扩大感受野用于提升模型性能，比如ConvNeXt了采用7x7深度卷积。虽然这种深度操作符只消耗少量FLOPs，但高内存访问成本，它在很大程度上损害了强大计算设备上的模型效率。为了解决这个问题，我们提出将大核深度卷积分解为沿通道维
