YOLOv8优化策略：多维协作注意模块MCA，暴力涨点，效果秒杀ECA、SRM、CBAM等 | 2023最新发布

原创

AI小怪兽

修改于 2023-11-02 15:05:38

3.7K0

文章被收录于专栏：YOLO大作战YOLO大作战

💡💡💡本文属于原创独家改进：多维协作注意模块MCA，暴力涨点，效果秒杀ECA、SRM、CBAM，创新性十足，可直接作为创新点使用。

多维协作注意模块MCA | 亲测在多个数据集实现暴力涨点，强烈推荐，独家首发；

1.MCA介绍

论文：https://www.sciencedirect.com/science/article/abs/pii/S0952197623012630

图 1：所提出的多维协作注意模块 (d) 与 ECA 模块 (a)、SRM (b) 和 CBAM (c) 的示意图比较。

图 2：所提出的具有三个分支的 MCA 模块的总体架构。

顶部分支用于捕获空间维度 W 中特征之间的交互。类似地，中间分支用于捕获空间维度 H 中特征之间的交互。底部分支负责捕获通道之间的交互。在前两个分支中，我们采用置换操作来捕获通道维度与任一空间维度之间的远程依赖性。最后，在积分阶段通过简单平均来聚合所有三个分支的输出。

图 3：原始残差块的架构（左）、MCA 集成到基本残差块（中）以及 MCA 集成到瓶颈残差块（右）。

2.MCA加入到yolov8

2.1 加入ultralytics/nn/attention/MCA.py

核心代码：

class MCALayer(nn.Module):
    def __init__(self, inp, no_spatial=True):
        """Constructs a MCA module.
        Args:
            inp: Number of channels of the input feature maps
            no_spatial: whether to build channel dimension interactions
        """
        super(MCALayer, self).__init__()

        lambd = 1.5
        gamma = 1
        temp = round(abs((math.log2(inp) - gamma) / lambd))
        kernel = temp if temp % 2 else temp - 1

        self.h_cw = MCAGate(3)
        self.w_hc = MCAGate(3)
        self.no_spatial = no_spatial
        if not no_spatial:
            self.c_hw = MCAGate(kernel)

    def forward(self, x):
        x_h = x.permute(0, 2, 1, 3).contiguous()
        x_h = self.h_cw(x_h)
        x_h = x_h.permute(0, 2, 1, 3).contiguous()

        x_w = x.permute(0, 3, 2, 1).contiguous()
        x_w = self.w_hc(x_w)
        x_w = x_w.permute(0, 3, 2, 1).contiguous()

        if not self.no_spatial:
            x_c = self.c_hw(x)
            x_out = 1 / 3 * (x_c + x_h + x_w)
        else:
            x_out = 1 / 2 * (x_h + x_w)

        return x_out

详见：

https://cv2023.blog.csdn.net/article/details/131959116

我正在参与2023腾讯技术创作特训营第三期有奖征文，组队打卡瓜分大奖！

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

2023腾讯·技术创作特训营第三期