【YOLOv8改进】Polarized Self-Attention: 极化自注意力 (论文笔记+引入代码)
该专栏专注于YOLO目标检测算法的创新改进和实战应用，包括卷积、主干网络、注意力机制和检测头的改进。作者提出了一种名为极化自注意（PSA）块，结合极化过滤和增强功能，提高像素级回归任务的性能，如关键点估计和分割。PSA通过保持高分辨率和利用通道及空间注意力，减少了信息损失并适应非线性输出分布。实验证明，PSA能提升标准基线和最新技术1-4个百分点。代码示例展示了如何在YOLOv8中实现PSA模块。更多详细信息和配置可在提供的链接中找到。
YOLOv5改进 | 注意力机制 | 添加三重注意力机制 TripletAttention【完整代码】
本文介绍了三重注意力机制在YOLOv5目标检测中的应用，这是一种轻量级方法，通过三分支结构捕获跨维度交互来计算注意力权重，几乎不增加计算开销。文章详细阐述了三重注意力的原理，包括全局、组间和组内三个层次的注意力计算，并提供了将TripletAttention模块添加到YOLOv5网络的教程。作者提供了代码实现和yaml配置文件的修改指导，以及在训练脚本中设置配置文件路径的步骤。完整代码附在文章末尾，适合初学者实践。此外，文章还鼓励读者探索在不同位置添加三重注意力以进一步优化模型性能。