Unet++改进24：添加DualConv||轻量级深度神经网络的双卷积核
本文内容：添加DualConv 目录 论文简介 1.步骤一 2.步骤二 3.步骤三 4.步骤四 论文简介 卷积神经网络(CNN)架构通常对内存和计算要求很高，这使得它们在硬件资源有限的嵌入式系统中不可行。 我们提出了双卷积核(DualConv)来构建轻量级深度神经网络。DualConv结合3 × 3和1 × 1卷积核同时处理相同的输入特征映射通道，并利用群卷积技术高效排列卷积滤波器。DualConv可以在...
Unet++改进28：添加PPA(2024最新改进方法)|多分支特征提取策略，捕获不同尺度和层次的特征信息。
本文内容：添加PPA 目录 论文简介 1.步骤一 2.步骤二 3.步骤三 4.步骤四 论文简介 红外小目标检测是一项重要的计算机视觉任务，涉及对红外图像中通常只有几个像素的微小目标进行识别和定位。然而，由于红外图像中物体的体积小，背景一般比较复杂，这给红外图像的识别带来了困难。在本文中，我们提出了一种深度学习方法HCF-Net，通过多个实用模块显著提高红外小目标检测性能。 具体来说，它包括并行化的补丁感知...
Unet++改进20：添加RFAConv||用于特征冗余的空间和通道重构卷积
本文内容：添加RFAConv 论文简介 空间注意被广泛用于提高卷积神经网络的性能。然而，它也有一定的局限性。本文提出了空间注意有效性的新视角，即空间注意机制本质上解决了卷积核参数共享问题。然而，空间注意生成的注意图所包含的信息对于大尺度卷积核来说是不够的。因此，我们提出了一种新的注意机制，即接受场注意(RFA)。现有的空间注意方法，如卷积块注意模块(CBAM)和协调注意(CA)，只关注空间特征，没有充分解...
Unet++改进12：添加PCONV||减少冗余计算和同时存储访问
本文内容：添加PCONV 目录 论文简介 1.步骤一 2.步骤二 3.步骤三 4.步骤四 论文简介 为了设计快速的神经网络，许多工作都集中在减少浮点运算(FLOPs)的数量上。然而，我们观察到FLOPs的这种减少并不一定会导致类似程度的延迟减少。这主要源于低效率的每秒浮点操作数(FLOPS)。为了实现更快的网络，我们回顾了流行的运营商，并证明了如此低的FLOPS主要是由于运营商频繁的内存访问，特别是深度卷...
YOLOv5涨点改进：多层次特征融合（SDI），小目标涨点明显，| UNet v2，比UNet显存占用更少、参数更少
💡💡💡本文全网独家改进：多层次特征融合（SDI），能够显著提升不同尺度和小目标的识别率 💡💡💡在YOLOv5中如何使用 1）iAFF加入Neck替代Concat； 💡💡💡Yolov5/Yolov7魔术师，独家首发创新（原创），适用于Yolov5、Yolov7、Yolov8等各个Yolo系列，专栏文章提供每一步步骤和源码，轻松带你上手魔改网络 💡💡💡重点：通过本专栏的阅读，后续你也可以自己魔改网络，在网...