🌟想了解YOLO系列算法更多教程欢迎订阅我的专栏🌟对于基础薄弱的同学来说，推荐阅读《目标检测蓝皮书》📘，里面涵盖了丰富的目标检测实用知识，是你迅速掌握目标检测的理想选择！如果想了解YOLOv5和YOLOv7系列算法的训练和改进，可以关注专栏《YOLOv5/v7改进实战》🌟。该专栏涵盖了丰富的YOLO实用教程，专门为改进YOLO的同学而设计。该专栏阅读量已经突破60w+🚀，被誉为全网最经典的教程！所有的改进方法都提供了详细的手把手教学！《YOLOv5/v7进阶实战》🏅专栏是在《YOLOv5/v7改进实战》🌟专栏上进一步推出的更加有难度的专栏，除大量的最新最前沿改进外，还包含多种手把手的部署压缩教

1、ASPP模型结构空洞空间卷积池化金字塔（atrousspatialpyramidpooling(ASPP)）通过对于输入的特征以不同的采样率进行采样，即从不同尺度提取输入特征，然后将所获取的特征进行融合，得到最终的特征提取结果。2、SENET结构通道注意力机制（SENET）将尺度为HXWXC尺度大小的特征图通过全局平均池化进行压缩，只保留通道尺度上的大小C，即转换为1X1XC,之后再进行压缩，relu与还原，最后使用simoid进行激活，将各个通道的值转化为0~1范围内，相当于将各个通道的特征转换为权重值。SENET代码如下：importtorchimporttorch.nnasnnimp

目录ASPP结构介绍ASPP在代码中的构建参考资料ASPP结构介绍ASPP：AtrousSpatialPyramidPooling，空洞空间卷积池化金字塔。简单理解就是个至尊版池化层，其目的与普通的池化层一致，尽可能地去提取特征。利用主干特征提取网络，会得到一个浅层特征和一个深层特征，这一篇主要以如何对较深层特征进行加强特征提取，也就是在Encoder中所看到的部分。它就叫做ASPP，主要有5个部分：1x1卷积膨胀率为6的3x3卷积膨胀率为12的3x3卷积膨胀率为18的3x3卷积对输入进去的特征层进行池化接着会对这五个部分进行一个堆叠，再利用一个1x1卷积对通道数进行调整，获得上图中绿色的特征

1、ASPP模型结构空洞空间卷积池化金字塔（atrousspatialpyramidpooling(ASPP)）通过对于输入的特征以不同的采样率进行采样，即从不同尺度提取输入特征，然后将所获取的特征进行融合，得到最终的特征提取结果。2、CBAM结构CBAM包含CAM（ChannelAttentionModule）和SAM（SpartialAttentionModule）两个子模块，分别在通道上和空间上添加注意力机制。这样不仅可以节约参数和计算力，而且保证了其能够做为即插即用的模块集成到现有的网络架构中去。CBAM代码如下：importtorchimporttorch.nnasnnclassCB

各位同学好，最近想改进一下YOLOV4的SPP加强特征提取模块，看到很多论文中都使用语义分割中的ASPP模块来改进，今天用Tensorflow复现一下代码。YOLOV4的主干网络代码可见我上一篇文章：https://blog.csdn.net/dgvv4/article/details/123818580将本节的ASPP代码替换原来的SPP模块代码即可1.方法介绍YOLOv4中使用SPP模块提取不同感受野的信息，但没有充分体现全局信息和局部信息的语义关系。本文设计的ASPP引入不同扩张率的深度可分离卷积+空洞卷积操作，实现SPP中的池化操作，并将其与全局平均池化并联，组成一个新的特征金字塔模型